语言:

• 乌尔都语 许可证: apache-2.0 标签:
• 训练生成
• 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) 基础模型: facebook/wav2vec2-xls-r-300m 模型索引:
• 名称: wav2vec2-large-xls-r-300m-Urdu 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 8 类型: mozilla-foundation/common_voice_8_0 参数: ur 指标:
    • 类型: WER 值: 39.89 名称: 测试WER
    • 类型: CER 值: 16.7 名称: 测试CER

wav2vec2-large-xls-r-300m-乌尔都语

本模型是基于facebook/wav2vec2-xls-r-300m在common_voice数据集上微调的版本。其在评估集上的表现如下：

• 损失: 0.9889
• WER: 0.5607
• CER: 0.2370

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-xls-r-300m-Urdu --dataset mozilla-foundation/common_voice_8_0 --config ur --split test

使用语言模型进行推理

from datasets import load_dataset, Audio
from transformers import pipeline
model = "kingabzpro/wav2vec2-large-xls-r-300m-Urdu"
data = load_dataset("mozilla-foundation/common_voice_8_0",
                     "ur",
                     split="test", 
                     streaming=True, 
                     use_auth_token=True)

sample_iter = iter(data.cast_column("path", 
                    Audio(sampling_rate=16_000)))
sample = next(sample_iter)

asr = pipeline("automatic-speech-recognition", model=model)
prediction = asr(sample["path"]["array"], 
                  chunk_length_s=5, 
                  stride_length_s=1)
prediction
# => {'text': 'اب یہ ونگین لمحاتانکھار دلمیں میںفوث کریلیا اجائ'}

训练超参数

训练过程中使用的超参数如下：

• 学习率: 0.0001
• 训练批次大小: 32
• 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: 64
• 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: 1000
• 训练轮数: 200

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

在Common Voice 8 "test"上的评估结果(WER):