语言: el
数据集:

• common_voice
  指标:
• wer 标签:
• 音频
• 自动语音识别
• 语音
• xlsr微调周 许可证: apache-2.0 模型索引:
• 名称: Greek XLSR Wav2Vec2 Large 53 结果:
• 任务: 名称: 语音识别 类型: 自动语音识别 数据集: 名称: Common Voice el 类型: common_voice 参数: el 指标: - 名称: 测试WER 类型: wer 值: 45.048955

Wav2Vec2-Large-XLSR-53-Greek

基于facebook/wav2vec2-large-xlsr-53在希腊语Common Voice数据集上微调而成。
希腊语CV数据中男性声音占多数。为平衡数据，采用slack讨论的方法合成了女性声音，使用Common Voice数据集文本通过Google的TTS标准语音模型生成女性说话人音频。

微调过程：

• 在facebook/wav2vec2-large-xlsr-53上使用希腊语CommonVoice训练5轮 → 56.25% WER
• 从检查点继续训练15轮 → 34.00%
• 添加合成女性声音后训练12轮 → 34.00%（无变化）

使用该模型时，请确保语音输入采样率为16kHz。

使用方式

可直接使用模型（无需语言模型）如下：

import torch
import torchaudio
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

test_dataset = load_dataset("common_voice", "el", split="test[:2%]")
processor = Wav2Vec2Processor.from_pretrained("skylord/greek_lsr_1") 
model = Wav2Vec2ForCTC.from_pretrained("skylord/greek_lsr_1")
resampler = torchaudio.transforms.Resample(48_000, 16_000)

def speech_file_to_array_fn(batch):
    speech_array, sampling_rate = torchaudio.load(batch["path"])
    batch["speech"] = resampler(speech_array).squeeze().numpy()
    return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)
inputs = processor(test_dataset["speech"][:2], sampling_rate=16_000, return_tensors="pt", padding=True)

with torch.no_grad():
    logits = model(inputs.input_values, attention_mask=inputs.attention_mask).logits

predicted_ids = torch.argmax(logits, dim=-1)
print("预测结果:", processor.batch_decode(predicted_ids))
print("参考文本:", test_dataset["sentence"][:2])

评估

可在Common Voice希腊语测试数据上评估模型：

import torch
import torchaudio
from datasets import load_dataset, load_metric
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import re

test_dataset = load_dataset("common_voice", "el", split="test")
wer = load_metric("wer")
processor = Wav2Vec2Processor.from_pretrained("skylord/greek_lsr_1") 
model = Wav2Vec2ForCTC.from_pretrained("skylord/greek_lsr_1")
model.to("cuda")

chars_to_ignore_regex = '[\\\\,\\?\\.\\!\\-\\;\\:\\"\\“]'
resampler = torchaudio.transforms.Resample(48_000, 16_000)

def speech_file_to_array_fn(batch):
    batch["sentence"] = re.sub(chars_to_ignore_regex, '', batch["sentence"]).lower()
    speech_array, sampling_rate = torchaudio.load(batch["path"])
    batch["speech"] = resampler(speech_array).squeeze().numpy()
    return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)

def evaluate(batch):
    inputs = processor(batch["speech"], sampling_rate=16_000, return_tensors="pt", padding=True)
    with torch.no_grad():
        logits = model(inputs.input_values.to("cuda"), attention_mask=inputs.attention_mask.to("cuda")).logits
    pred_ids = torch.argmax(logits, dim=-1)
    batch["pred_strings"] = processor.batch_decode(pred_ids)
    return batch

result = test_dataset.map(evaluate, batched=True, batch_size=8)
print("WER: {:.2f}".format(100 * wer.compute(predictions=result["pred_strings"], references=result["sentence"])))

测试结果: 45.05%

训练

使用了Common Voice的train、validation数据集及合成数据进行训练。
训练脚本链接待补充（若在colab中训练请填写链接；若本地训练建议上传至GitHub后提供链接）