这是一个基于XLSR-Wav2Vec2架构的希腊语自动语音识别模型,由希腊军事学院和克里特技术大学开发。
下载量 443
发布时间 : 3/2/2022
模型介绍
内容详情
替代品
模型简介
该模型是一个预训练的自动语音识别(ASR)模型,专门针对希腊语进行了微调,能够将希腊语语音转换为文本。
模型特点
跨语言语音表示
基于XLSR-Wav2Vec2架构,能够学习跨多种语言有用的语音表示
高性能希腊语识别
在Common Voice希腊语测试集上达到10.5%的词错误率(WER)
大规模训练数据
使用Common Voice和CSS10数据集共约1.5GB的希腊语数据进行训练
模型能力
希腊语语音识别
语音转文本
支持16kHz采样率音频处理
使用案例
语音转录
希腊语语音转文字
将希腊语语音内容转换为可编辑的文本
词错误率10.5%,字符错误率2.87%
语音助手
希腊语语音命令识别
用于希腊语语音助手或智能家居设备的语音命令识别
语言: el 数据集:
- common_voice 标签:
- 音频
- hf-asr-leaderboard
- 自动语音识别
- 语音
- xlsr-微调周 许可证: apache-2.0 模型索引:
- 名称: Lighteternal的XLSR Wav2Vec2希腊语模型
结果:
- 任务:
名称: 语音识别
类型: automatic-speech-recognition
数据集:
名称: CommonVoice (EL), CSS10 (EL)
类型: CCS10 + mozilla-foundation/common_voice_7_0
参数: el
指标:
- 名称: 测试WER 类型: wer 值: 10.497628
- 名称: 测试CER 类型: cer 值: 2.875260
- 任务:
名称: 语音识别
类型: automatic-speech-recognition
数据集:
名称: CommonVoice (EL), CSS10 (EL)
类型: CCS10 + mozilla-foundation/common_voice_7_0
参数: el
指标:
XLSR-Wav2Vec2自动语音识别(ASR)模型的希腊语(el)版本
由希腊军事学院和克里特技术大学开发
- 语言: el
- 许可证: apache-2.0
- 数据集: CommonVoice (EL), 364MB: https://commonvoice.mozilla.org/el/datasets + CSS10 (EL), 1.22GB: https://github.com/Kyubyong/css10
- 模型: XLSR-Wav2Vec2, 训练50个周期
- 指标: 词错误率(WER)
模型描述
更新: 我们使用来自CSS10的额外1.22GB数据集重复了微调过程。
Wav2Vec2是一个预训练的自动语音识别(ASR)模型,由Alexei Baevski、Michael Auli和Alex Conneau于2020年9月发布。在Wav2Vec2在英语ASR数据集LibriSpeech上展现出卓越性能后不久,Facebook AI提出了XLSR-Wav2Vec2。XLSR代表跨语言语音表示,指的是XLSR-Wav2Vec2能够学习跨多种语言有用的语音表示。
与Wav2Vec2类似,XLSR-Wav2Vec2从超过50种语言的数十万小时未标记语音中学习强大的语音表示。类似于BERT的掩码语言建模,该模型通过随机掩码特征向量,然后将它们传递给变压器网络,学习上下文相关的语音表示。
该模型在单个NVIDIA RTX 3080上训练了50个周期,大约8小时。
如何使用进行推理:
实时演示时,请确保语音文件采样率为16kHz。
测试CommonVoice提取的指令在ASR_Inference.ipynb中提供。代码片段如下:
#!/usr/bin/env python
# coding: utf-8
# 加载依赖项并定义预处理函数
from transformers import Wav2Vec2ForCTC
from transformers import Wav2Vec2Processor
from datasets import load_dataset, load_metric
import re
import torchaudio
import librosa
import numpy as np
from datasets import load_dataset, load_metric
import torch
chars_to_ignore_regex = '[\\\\\\\\,\\\\\\\\?\\\\\\\\.\\\\\\\\!\\\\\\\\-\\\\\\\\;\\\\\\\\:\\\\\\\\"\\\\\\\\“\\\\\\\\%\\\\\\\\‘\\\\\\\\”\\\\\\\\�]'
def remove_special_characters(batch):
batch["text"] = re.sub(chars_to_ignore_regex, '', batch["sentence"]).lower() + " "
return batch
def speech_file_to_array_fn(batch):
speech_array, sampling_rate = torchaudio.load(batch["path"])
batch["speech"] = speech_array[0].numpy()
batch["sampling_rate"] = sampling_rate
batch["target_text"] = batch["text"]
return batch
def resample(batch):
batch["speech"] = librosa.resample(np.asarray(batch["speech"]), 48_000, 16_000)
batch["sampling_rate"] = 16_000
return batch
def prepare_dataset(batch):
# 检查所有文件是否具有正确的采样率
assert (
len(set(batch["sampling_rate"])) == 1
), f"确保所有输入的采样率均为{processor.feature_extractor.sampling_rate}."
batch["input_values"] = processor(batch["speech"], sampling_rate=batch["sampling_rate"][0]).input_values
with processor.as_target_processor():
batch["labels"] = processor(batch["target_text"]).input_ids
return batch
# 加载模型和数据集处理器
model = Wav2Vec2ForCTC.from_pretrained("lighteternal/wav2vec2-large-xlsr-53-greek").to("cuda")
processor = Wav2Vec2Processor.from_pretrained("lighteternal/wav2vec2-large-xlsr-53-greek")
# 准备语音数据集以适合推理
common_voice_test = load_dataset("common_voice", "el", split="test")
common_voice_test = common_voice_test.remove_columns(["accent", "age", "client_id", "down_votes", "gender", "locale", "segment", "up_votes"])
common_voice_test = common_voice_test.map(remove_special_characters, remove_columns=["sentence"])
common_voice_test = common_voice_test.map(speech_file_to_array_fn, remove_columns=common_voice_test.column_names)
common_voice_test = common_voice_test.map(resample, num_proc=8)
common_voice_test = common_voice_test.map(prepare_dataset, remove_columns=common_voice_test.column_names, batch_size=8, num_proc=8, batched=True)
# 加载测试数据集
common_voice_test_transcription = load_dataset("common_voice", "el", split="test")
# 在随机样本上执行推理。更改"example"值以在不同CommonVoice提取上尝试推理
example = 123
input_dict = processor(common_voice_test["input_values"][example], return_tensors="pt", sampling_rate=16_000, padding=True)
logits = model(input_dict.input_values.to("cuda")).logits
pred_ids = torch.argmax(logits, dim=-1)
print("预测:")
print(processor.decode(pred_ids[0]))
# πού θέλεις να πάμε ρώτησε φοβισμένα ο βασιλιάς
print("\\\\
参考:")
print(common_voice_test_transcription["sentence"][example].lower())
# πού θέλεις να πάμε; ρώτησε φοβισμένα ο βασιλιάς.
评估
可以在Common Voice的希腊语测试数据上评估模型如下。
import torch
import torchaudio
from datasets import load_dataset, load_metric
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import re
test_dataset = load_dataset("common_voice", "el", split="test")
wer = load_metric("wer")
processor = Wav2Vec2Processor.from_pretrained("lighteternal/wav2vec2-large-xlsr-53-greek")
model = Wav2Vec2ForCTC.from_pretrained("lighteternal/wav2vec2-large-xlsr-53-greek")
model.to("cuda")
chars_to_ignore_regex = '[\\\\\\\\,\\\\\\\\?\\\\\\\\.\\\\\\\\!\\\\\\\\-\\\\\\\\;\\\\\\\\:\\\\\\\\"\\\\\\\\“\\\\\\\\%\\\\\\\\‘\\\\\\\\”\\\\\\\\�]'
resampler = torchaudio.transforms.Resample(48_000, 16_000)
# 预处理数据集。
# 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)
# 预处理数据集。
# 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: 10.497628 %
如何使用进行训练:
复制过程的指令和代码在Fine_Tune_XLSR_Wav2Vec2_on_Greek_ASR_with_🤗_Transformers.ipynb笔记本中提供。
指标
指标 | 值 |
---|---|
训练损失 | 0.0545 |
验证损失 | 0.1661 |
CommonVoice测试CER(%) * | 2.8753 |
CommonVoice测试WER(%) * | 10.4976 |
* 参考文本被转换为小写并去除了标点符号和特殊字符。 |
Voice Activity Detection
MIT
基于pyannote.audio 2.1版本的语音活动检测模型,用于识别音频中的语音活动时间段
语音识别
V
pyannote
7.7M
181
Wav2vec2 Large Xlsr 53 Portuguese
Apache-2.0
这是一个针对葡萄牙语语音识别任务微调的XLSR-53大模型,基于Common Voice 6.1数据集训练,支持葡萄牙语语音转文本。
语音识别
其他
W
jonatasgrosman
4.9M
32
Whisper Large V3
Apache-2.0
Whisper是由OpenAI提出的先进自动语音识别(ASR)和语音翻译模型,在超过500万小时的标注数据上训练,具有强大的跨数据集和跨领域泛化能力。
语音识别
支持多种语言
W
openai
4.6M
4,321
Whisper Large V3 Turbo
MIT
Whisper是由OpenAI开发的最先进的自动语音识别(ASR)和语音翻译模型,经过超过500万小时标记数据的训练,在零样本设置下展现出强大的泛化能力。
语音识别
Transformers

支持多种语言
W
openai
4.0M
2,317
Wav2vec2 Large Xlsr 53 Russian
Apache-2.0
基于facebook/wav2vec2-large-xlsr-53模型微调的俄语语音识别模型,支持16kHz采样率的语音输入
语音识别
其他
W
jonatasgrosman
3.9M
54
Wav2vec2 Large Xlsr 53 Chinese Zh Cn
Apache-2.0
基于facebook/wav2vec2-large-xlsr-53模型微调的中文语音识别模型,支持16kHz采样率的语音输入。
语音识别
中文
W
jonatasgrosman
3.8M
110
Wav2vec2 Large Xlsr 53 Dutch
Apache-2.0
基于facebook/wav2vec2-large-xlsr-53微调的荷兰语语音识别模型,在Common Voice和CSS10数据集上训练,支持16kHz音频输入。
语音识别
其他
W
jonatasgrosman
3.0M
12
Wav2vec2 Large Xlsr 53 Japanese
Apache-2.0
基于facebook/wav2vec2-large-xlsr-53模型微调的日语语音识别模型,支持16kHz采样率的语音输入
语音识别
日语
W
jonatasgrosman
2.9M
33
Mms 300m 1130 Forced Aligner
基于Hugging Face预训练模型的文本与音频强制对齐工具,支持多种语言,内存效率高
语音识别
Transformers

支持多种语言
M
MahmoudAshraf
2.5M
50
Wav2vec2 Large Xlsr 53 Arabic
Apache-2.0
基于facebook/wav2vec2-large-xlsr-53微调的阿拉伯语语音识别模型,在Common Voice和阿拉伯语语音语料库上训练
语音识别
阿拉伯语
W
jonatasgrosman
2.3M
37
精选推荐AI模型
Llama 3 Typhoon V1.5x 8b Instruct
专为泰语设计的80亿参数指令模型,性能媲美GPT-3.5-turbo,优化了应用场景、检索增强生成、受限生成和推理任务
大型语言模型
Transformers

支持多种语言
L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型,专为边缘设备推理设计,体积仅为Cosmo-3B模型的2%左右。
对话系统
Transformers

英语
C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基于RoBERTa架构的中文抽取式问答模型,适用于从给定文本中提取答案的任务。
问答系统
中文
R
uer
2,694
98
AIbase是一个专注于MCP服务的平台,为AI开发者提供高质量的模型上下文协议服务,助力AI应用开发。
简体中文