语言:

• 旁遮普语 许可证: apache-2.0 标签:
• 自动语音识别
• hf-asr排行榜
• 鲁棒语音事件 数据集:
• mozilla-foundation/common_voice_8_0 评估指标:
• 词错误率(WER)
• 字符错误率(CER) 基础模型: Harveenchadha/vakyansh-wav2vec2-punjabi-pam-10 模型索引:
• 名称: wav2vec2-punjabi-V8-Abid 结果:
  • 任务: 类型: 自动语音识别 名称: 语音识别 数据集: 名称: Common Voice pa-IN 类型: mozilla-foundation/common_voice_8_0 参数: pa-IN 指标:
    • 类型: WER 值: 36.02 名称: 带语言模型的测试WER
    • 类型: CER 值: 12.81 名称: 带语言模型的测试CER

wav2vec2-large-xlsr-53-旁遮普语

此模型是基于Harveenchadha/vakyansh-wav2vec2-punjabi-pam-10在common_voice数据集上微调的版本。在评估集上取得了以下结果：

• 损失: 1.2101
• 词错误率(WER): 0.4939
• 字符错误率(CER): 0.2238

评估命令

1. 在mozilla-foundation/common_voice_8_0数据集的test分割上进行评估

python eval.py --model_id kingabzpro/wav2vec2-large-xlsr-53-punjabi --dataset mozilla-foundation/common_voice_8_0 --config pa-IN --split test

使用语言模型进行推理

import torch
from datasets import load_dataset
from transformers import AutoModelForCTC, AutoProcessor
import torchaudio.functional as F
model_id = "kingabzpro/wav2vec2-large-xlsr-53-punjabi"
sample_iter = iter(load_dataset("mozilla-foundation/common_voice_8_0", "pa-IN", split="test", streaming=True, use_auth_token=True))
sample = next(sample_iter)
resampled_audio = F.resample(torch.tensor(sample["audio"]["array"]), 48_000, 16_000).numpy()
model = AutoModelForCTC.from_pretrained(model_id)
processor = AutoProcessor.from_pretrained(model_id)
input_values = processor(resampled_audio, return_tensors="pt").input_values
with torch.no_grad():
    logits = model(input_values).logits
transcription = processor.batch_decode(logits.numpy()).text

训练超参数

训练过程中使用了以下超参数：

• 学习率: 0.0003
• 训练批次大小: 16
• 评估批次大小: 8
• 随机种子: 42
• 梯度累积步数: 2
• 总训练批次大小: 32
• 优化器: Adam，参数为betas=(0.9,0.999)和epsilon=1e-08
• 学习率调度器类型: 线性
• 学习率预热步数: 200
• 训练轮数: 30
• 混合精度训练: Native AMP

训练结果

框架版本

• Transformers 4.17.0.dev0
• Pytorch 1.10.2+cu102
• Datasets 1.18.2.dev0
• Tokenizers 0.11.0