语言: lt
数据集:

• common_voice
  标签:
• 音频
• 自动语音识别
• 语音
• xlsr-微调周
  许可证: apache-2.0
  小部件:
• 示例标题: Common Voice 样本 11
  来源: https://huggingface.co/m3hrdadfi/wav2vec2-large-xlsr-lithuanian/resolve/main/sample11.flac
• 示例标题: Common Voice 样本 74
  来源: https://huggingface.co/m3hrdadfi/wav2vec2-large-xlsr-lithuanian/resolve/main/sample74.flac
  模型索引:
• 名称: Mehrdad Farahani 的 XLSR Wav2Vec2 立陶宛语模型
  结果:
  • 任务:
    名称: 语音识别
    类型: automatic-speech-recognition
    数据集:
    名称: Common Voice lt
    类型: common_voice
    参数: lt
    指标:
    • 名称: 测试 WER
      类型: wer
      值: 34.66

Wav2Vec2-Large-XLSR-53-立陶宛语

使用 Common Voice 对立陶宛语的 facebook/wav2vec2-large-xlsr-53 进行微调。使用此模型时，请确保语音输入采样率为16kHz。

使用方法

该模型可以直接使用（无需语言模型），如下所示：

要求

# 所需包
!pip install git+https://github.com/huggingface/datasets.git
!pip install git+https://github.com/huggingface/transformers.git
!pip install torchaudio
!pip install librosa
!pip install jiwer

标准化器

!wget -O normalizer.py https://huggingface.co/m3hrdadfi/wav2vec2-large-xlsr-lithuanian/raw/main/normalizer.py

预测

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

import numpy as np
import re
import string

import IPython.display as ipd

from normalizer import normalizer


def speech_file_to_array_fn(batch):
    speech_array, sampling_rate = torchaudio.load(batch["path"])
    speech_array = speech_array.squeeze().numpy()
    speech_array = librosa.resample(np.asarray(speech_array), sampling_rate, 16_000)

    batch["speech"] = speech_array
    return batch


def predict(batch):
    features = processor(batch["speech"], sampling_rate=16_000, return_tensors="pt", padding=True)

    input_values = features.input_values.to(device)
    attention_mask = features.attention_mask.to(device)

    with torch.no_grad():
        logits = model(input_values, attention_mask=attention_mask).logits 
        
    pred_ids = torch.argmax(logits, dim=-1)

    batch["predicted"] = processor.batch_decode(pred_ids)[0]
    return batch


device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
processor = Wav2Vec2Processor.from_pretrained("m3hrdadfi/wav2vec2-large-xlsr-lithuanian")
model = Wav2Vec2ForCTC.from_pretrained("m3hrdadfi/wav2vec2-large-xlsr-lithuanian").to(device)

dataset = load_dataset("common_voice", "lt", split="test[:1%]")
dataset = dataset.map(
    normalizer, 
    fn_kwargs={"remove_extra_space": True},
    remove_columns=list(set(dataset.column_names) - set(['sentence', 'path']))
)

dataset = dataset.map(speech_file_to_array_fn)
result = dataset.map(predict)

max_items = np.random.randint(0, len(result), 20).tolist()
for i in max_items:
    reference, predicted =  result["sentence"][i], result["predicted"][i]
    print("参考:", reference)
    print("预测:", predicted)
    print('---')

输出:

参考: jos tikslas buvo rasti kelią į ramųjį vandenyną šiaurės amerikoje
预测: jos tikstas buvo rasikelia į ramų į vandenyna šiaurės amerikoje
---
参考: pietrytinėje dalyje likusių katalikų kapinių teritorija po antrojo pasaulinio karo dar padidėjo
预测: pietrytinė daljelikusių gatalikų kapinių teritoriją pontro pasaulnio karo dar padidėjo
---
参考: koplyčioje pakabintas aušros vartų marijos paveikslas
预测: koplyčioye pakagintas aušos fortų marijos paveikslas
---
参考: yra politinių debatų vedėjas
预测: yra politinių debatų vedėjas
---
参考: žmogui taip pat gali būti mirtinai pavojingi
预测: žmogui taip pat gali būti mirtinai pavojingi
---
参考: tuo pačiu metu kijeve nuverstas netekęs vokietijos paramos skoropadskis
预测: tuo pačiu metu kiei venų verstas netekės vokietijos paramos kropadskis
---
参考: visos dvylika komandų tarpusavyje sužaidžia po dvi rungtynes
预测: visos dvylika komandų tarpuso vysų žaidžia po dvi rungtynės
---
参考: kaukazo regioną sudaro kaukazo kalnai ir gretimos žemumos
预测: kau kazo regioną sudaro kaukazo kalnai ir gretimos žemumus
---
参考: tarptautinių ir rusiškų šaškių kandidatas į sporto meistrus
预测: tarptautinio ir rusiškos šaškių kandidatus į sporto meistrus
---
参考: prasideda putorano plynaukštės pietiniame pakraštyje
预测: prasideda futorano prynaukštės pietiniame pakraštyje
---
参考: miestas skirstomas į senamiestį ir naujamiestį
预测: miestas skirstomas į senamėsti ir naujamiestė
---
参考: tais pačiais metais pelnė bronzą pasaulio taurės kolumbijos etape komandinio sprinto rungtyje
预测: tais pačiais metais pelnį mronsa pasaulio taurės kolumbijos etape komandinio sprento rungtyje
---
参考: prasideda putorano plynaukštės pietiniame pakraštyje
预测: prasideda futorano prynaukštės pietiniame pakraštyje
---
参考: moterų tarptautinės meistrės vardas yra viena pakopa žemesnis už moterų tarptautinės korespondencinių šachmatų didmeistrės
预测: moterų tarptautinės meistrės vardas yra gana pakopo žymesnis už moterų tarptautinės kūrespondencinių šachmatų didmesčias
---
参考: teritoriją dengia tropinės džiunglės
预测: teritorija dengia tropinės žiunglės
---
参考: pastaroji dažnai pereina į nimcovičiaus gynybą arba bogoliubovo gynybą
预测: pastaruoji dažnai pereina nimcovičiaus gynyba arba bogalių buvo gymyba
---
参考: už tai buvo suimtas ir tris mėnesius sėdėjo butyrkų kalėjime
预测: užtai buvo sujumtas ir tris mėne susiedėjo butirkų kalėjime
---
参考: tai didžiausias pagal gyventojų skaičių regionas
预测: tai didžiausias pagal gyventojų skaičių redionus
---
参考: vilkyškių miške taip pat auga raganų eglė
预测: vilkiškimiškė taip pat auga ragano eglė
---
参考: kitas gavo skaraitiškės dvarą su palivarkais
预测: kitas gavos karaitiškės dvarą spolivarkais
---

评估

可以在Common Voice的测试数据上评估该模型，如下所示。

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

import numpy as np
import re
import string

from normalizer import normalizer


def speech_file_to_array_fn(batch):
    speech_array, sampling_rate = torchaudio.load(batch["path"])
    speech_array = speech_array.squeeze().numpy()
    speech_array = librosa.resample(np.asarray(speech_array), sampling_rate, 16_000)

    batch["speech"] = speech_array
    return batch


def predict(batch):
    features = processor(batch["speech"], sampling_rate=16_000, return_tensors="pt", padding=True)

    input_values = features.input_values.to(device)
    attention_mask = features.attention_mask.to(device)

    with torch.no_grad():
        logits = model(input_values, attention_mask=attention_mask).logits 
        
    pred_ids = torch.argmax(logits, dim=-1)

    batch["predicted"] = processor.batch_decode(pred_ids)[0]
    return batch


device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
processor = Wav2Vec2Processor.from_pretrained("m3hrdadfi/wav2vec2-large-xlsr-lithuanian")
model = Wav2Vec2ForCTC.from_pretrained("m3hrdadfi/wav2vec2-large-xlsr-lithuanian").to(device)

dataset = load_dataset("common_voice", "lt", split="test")
dataset = dataset.map(
    normalizer, 
    fn_kwargs={"remove_extra_space": True},
    remove_columns=list(set(dataset.column_names) - set(['sentence', 'path']))
)

dataset = dataset.map(speech_file_to_array_fn)
result = dataset.map(predict)

wer = load_metric("wer")

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

测试结果:

• WER: 34.66%

训练与报告

训练使用了Common Voice的train和validation数据集。

训练状态可在此处查看此处

训练脚本可在此处找到此处

问题？

请在 Wav2Vec 仓库提交Github问题。