语言: 印地语
数据集:

• openslr_hindi
• common_voice
  评估指标:
• 词错误率 (WER)
  标签:
• 音频
• 自动语音识别
• 语音
• XLSR微调周
• XLSR-印地语
  许可证: Apache-2.0
  模型索引:
• 名称: 微调后的印地语XLSR Wav2Vec2大模型
  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印地语
      类型: common_voice
      参数: hi
    • 名称: OpenSLR印地语
      URL: https://www.openslr.org/resources/103/
      评估指标:
    • 名称: 测试WER
      类型: WER
      值: 46.05

Wav2Vec2-Large-XLSR-Hindi

基于facebook/wav2vec2-large-xlsr-53模型，使用OpenSLR印地语数据集进行训练，并以Common Voice印地语测试数据集进行评估。训练所用的OpenSLR印地语数据规模为10000条，且为随机采样。为增加数据多样性，OpenSLR的训练集和测试集被合并用于训练。评估在Common Voice测试集上进行。OpenSLR数据为8kHz采样率，因此在训练时上采样至16kHz。

使用此模型时，请确保语音输入采样率为16kHz。

注：此为首次微调迭代版本。若后续实验WER有所改进，将更新此模型。

测试结果

使用方法

该模型可直接使用（无需语言模型），示例如下：

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

test_dataset = load_dataset("common_voice", "hi", split="test[:2%]")  

processor = Wav2Vec2Processor.from_pretrained("shiwangi27/wave2vec2-large-xlsr-hindi")   
model = Wav2Vec2ForCTC.from_pretrained("shiwangi27/wave2vec2-large-xlsr-hindi")  

resampler = torchaudio.transforms.Resample(48_000, 16_000)  

# 数据预处理  
# 需将音频文件读取为数组  
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[:2]["speech"], 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[:2]["sentence"])  

评估

可通过以下方式在Common Voice印地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", "hi", split="test")   
wer = load_metric("wer")  

processor = Wav2Vec2Processor.from_pretrained("shiwangi27/wave2vec2-large-xlsr-hindi")   
model = Wav2Vec2ForCTC.from_pretrained("shiwangi27/wave2vec2-large-xlsr-hindi")   
model.to("cuda")  

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

# 数据预处理  
# 需将音频文件读取为数组  
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"])))  

代码

训练本模型所用的Notebook可在shiwangi27/googlecolab获取。
训练使用了修改版的run_common_voice.py脚本。