语言: 巴斯克语
数据集:

• 通用语音
  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
  许可证: Apache-2.0
  模型索引:
• 名称: pcuenq训练的XLSR Wav2Vec2 Large 53巴斯克语模型
  结果:
  • 任务:
    名称: 语音识别
    类型: 自动语音识别
    数据集:
    名称: 通用语音巴斯克语
    类型: common_voice
    参数: eu
    指标:
    • 名称: 测试WER
      类型: wer
      值: 15.34

Wav2Vec2-Large-XLSR-53-EU

基于facebook/wav2vec2-large-xlsr-53模型，使用通用语音巴斯克语数据集进行微调。
使用本模型时，请确保语音输入采样率为16kHz。

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", "eu", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("pcuenq/wav2vec2-large-xlsr-53-eu")
model = Wav2Vec2ForCTC.from_pretrained("pcuenq/wav2vec2-large-xlsr-53-eu")

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

# 数据预处理
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

可通过以下方式在通用语音巴斯克语测试集上评估模型：

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

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

model_name = "pcuenq/wav2vec2-large-xlsr-53-eu"

processor = Wav2Vec2Processor.from_pretrained(model_name)
model = Wav2Vec2ForCTC.from_pretrained(model_name)
model.to("cuda")

## 文本预处理
chars_to_ignore_regex = '[\,\¿\?\.\¡\!\-\;\:\"\“\%\‘\”\\…\’\ː\'\‹\›\`\´\®\—\→]'
chars_to_ignore_pattern = re.compile(chars_to_ignore_regex)

def remove_special_characters(batch):
    batch["sentence"] = chars_to_ignore_pattern.sub('', batch["sentence"]).lower() + " "
    return batch

## 音频预处理
import librosa
def speech_file_to_array_fn(batch):
    speech_array, sample_rate = torchaudio.load(batch["path"])
    batch["speech"] = librosa.resample(speech_array.squeeze().numpy(), sample_rate, 16_000)
    return batch

# 文本转换与音频重采样
def cv_prepare(batch):
    batch = remove_special_characters(batch)
    batch = speech_file_to_array_fn(batch)
    return batch

# 设置CPU核心数或None
num_proc = 16
test_dataset = test_dataset.map(cv_prepare, remove_columns=['path'], num_proc=num_proc)

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)

# 计算WER指标
print("WER: {:2f}".format(100 * wer.compute(predictions=result["pred_strings"], references=result["sentence"])))

测试结果: 15.34%

训练过程

使用通用语音的train和validation数据集进行训练，关键训练参数如下：

• 训练轮次：22 + 20个epoch
• 批量大小：16（2梯度累积步长）
• 学习率：2.5e-4
• 激活dropout：0.05
• 注意力dropout：0.1
• 隐层dropout：0.05
• 特征投影dropout：0.05
• 掩码时间概率：0.08
• 层级dropout：0.05