语言: ja 数据集:

• common_voice 指标:
• wer
• cer 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: Japanese 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 ja 类型: common_voice 参数: ja 指标:
    • 名称: 测试 WER 类型: wer 值: { wer_result_on_test } #TODO（重要）：将{wer_result_on_test}替换为你在common_voice测试集上达到的WER错误率。格式应为XX.XX（此处不要添加%符号）。请在评估模型后填写此值，以便你的模型出现在排行榜上。如果在评估模型之前填写此模型卡，请记得之后编辑模型卡以填入你的值

Wav2Vec2-Large-XLSR-53-{language} #TODO: 将language替换为你的{language}，例如法语

基于facebook/wav2vec2-large-xlsr-53在{language}上使用Common Voice、...和...数据集进行微调。 #TODO: 将{language}替换为你的语言，例如法语，并最终添加更多使用的数据集，如果模型未在common voice上训练，则最终移除common voice 使用此模型时，请确保你的语音输入采样率为16kHz。

使用

该模型可以直接使用（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", "ja", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("qqhann/wav2vec2-large-xlsr-japanese-0325-1200")
model = Wav2Vec2ForCTC.from_pretrained("qqhann/wav2vec2-large-xlsr-japanese-0325-1200")

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

# 数据预处理。
# 我们需要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["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:", processor.batch_decode(predicted_ids))
print("参考:", test_dataset["sentence"][:2])

评估

该模型可以在Common Voice的{language}测试数据上进行如下评估。 # TODO: 将#TODO: 将language替换为你的{language}，例如法语

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

test_dataset = load_dataset("common_voice", "ja", split="test")
wer = load_metric("wer")

processor = Wav2Vec2Processor.from_pretrained("qqhann/wav2vec2-large-xlsr-japanese-0325-1200")
model = Wav2Vec2ForCTC.from_pretrained("qqhann/wav2vec2-large-xlsr-japanese-0325-1200")
model.to("cuda")

chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“]'  # TODO: 调整此列表以包含你从数据中移除的所有特殊字符
resampler = torchaudio.transforms.Resample(48_000, 16_000)

# 数据预处理。
# 我们需要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)

# 数据预处理。
# 我们需要将音频文件读取为数组
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: XX.XX %

训练

训练使用了Common Voice的train、validation和...数据集以及...和...

训练脚本可以在这里找到