语言: 卢干达语 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: Lucio的XLSR Wav2Vec2大型卢干达语模型 结果:
  • 任务: 名称: 语音识别 类型: 自动语音识别 数据集: 名称: 通用语音卢干达语 类型: 通用语音 参数: lg 指标:
    • 名称: 测试词错误率 类型: wer 值: 29.52

Wav2Vec2-Large-XLSR-53-lg

基于facebook/wav2vec2-large-xlsr-53模型，使用通用语音数据集的卢干达语部分进行微调，训练数据包含训练集、验证集及其他（排除测试集中出现的语音），并将测试数据同时用于验证和测试。使用该模型时，请确保语音输入采样率为16kHz。

使用方式

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

processor = Wav2Vec2Processor.from_pretrained("lucio/wav2vec2-large-xlsr-luganda") 
model = Wav2Vec2ForCTC.from_pretrained("lucio/wav2vec2-large-xlsr-luganda")

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["sentence"][:2])

评估

可通过以下方式在通用语音卢干达语测试集上评估模型性能（可在此Colab中运行）。

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

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

processor = Wav2Vec2Processor.from_pretrained("lucio/wav2vec2-large-xlsr-luganda") 
model = Wav2Vec2ForCTC.from_pretrained("lucio/wav2vec2-large-xlsr-luganda")
model.to("cuda")

chars_to_ignore_regex = '[\[\],?.!;:%"“”(){}‟ˮʺ″«»/…‽�–]'
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

def remove_special_characters(batch):
    # 处理单词内部表示缩写的撇号
    batch["norm_text"] = re.sub(r'[‘’´`]', r"'", batch["sentence"])
    # 忽略大多数其他标点
    batch["norm_text"] = re.sub(chars_to_ignore_regex, "", batch["norm_text"]).lower().strip()
    batch["norm_text"] = re.sub(r"(-|' | '|  +)", " ", batch["norm_text"])
    # 去除部分字符的重音（来自外来词，非声调）
    batch["norm_text"] = unidecode.unidecode(batch["norm_text"])
    return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)
test_dataset = test_dataset.map(remove_special_characters)

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("词错误率: {:2f}".format(100 * wer.compute(predictions=result["pred_strings"], references=result["norm_text"])))

测试结果: 29.52%

训练过程

使用通用语音的train、validation和other数据集进行训练，排除同时出现在other和test集中的语音。通过添加噪声及调整音高、相位和强度，将数据增强至原始规模的两倍。训练在OVHcloud提供的1块V100 GPU上进行了60轮迭代，并使用test数据进行验证。

训练脚本改编自transformers库的示例脚本。