语言: 阿拉伯语
数据集:

• https://arabicspeech.org/
  标签:
• 音频
• 自动语音识别
• 语音
  许可证: apache-2.0
  模型索引:
• 名称: Zaid Alyafeai和Othmane Rifki开发的XLSR Wav2Vec2埃及阿拉伯语模型
  结果:
  • 任务:
    名称: 语音识别
    类型: 自动语音识别
    数据集:
    名称: arabicspeech.org MGB-3
    类型: arabicspeech.org MGB-3
    参数: ar
    指标:
    • 名称: 测试WER
      类型: wer
      值: 55.2

测试埃及阿拉伯语的Wav2Vec2模型

基于facebook/wav2vec2-large-xlsr-53微调，使用arabicspeech.org MGB-3数据集训练。
使用此模型时，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  

dataset = load_dataset("arabic_speech_corpus", split="test")  
processor = Wav2Vec2Processor.from_pretrained("othrif/wav2vec_test")  
model = Wav2Vec2ForCTC.from_pretrained("othrif/wav2vec_test")  
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["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])