语言: 葡萄牙语
数据集:

• 通用语音(Common Voice)
  评估指标:
• 词错误率(WER)
  标签:
• 音频
• 语音
• wav2vec2
• 葡萄牙语(pt)
• Apache-2.0许可
• 葡萄牙语语音语料库
• 自动语音识别
• XLSR微调周
• PyTorch框架
  许可证: Apache-2.0
  模型索引:
• 名称: JoaoAlvarenga XLSR Wav2Vec2 Large 53葡萄牙语模型
  成果:
  • 任务:
    名称: 语音识别
    类型: 自动语音识别
    数据集:
    名称: 通用语音葡萄牙语版
    类型: common_voice
    参数: pt
    指标:
    • 名称: 测试词错误率
      类型: wer
      值: 13.766801%

Wav2Vec2-Large-XLSR-53-葡萄牙语版

本模型基于facebook/wav2vec2-large-xlsr-53架构，使用通用语音数据集的葡萄牙语数据进行微调。

使用方法

无需语言模型即可直接使用该模型：

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

test_dataset = load_dataset("common_voice", "pt", split="test[:2%]")   

processor = Wav2Vec2Processor.from_pretrained("joorock12/wav2vec2-large-xlsr-portuguese")  
model = Wav2Vec2ForCTC.from_pretrained("joorock12/wav2vec2-large-xlsr-portuguese")  

resampler = torchaudio.transforms.Resample(48000, 16000)  

# 数据预处理函数  
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["speech"][:2], sampling_rate=16000, 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葡萄牙语测试集上评估模型性能：

需安装Enelvo（基于推特用户帖子的开源拼写校正工具）：
pip install enelvo

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

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

processor = Wav2Vec2Processor.from_pretrained("joorock12/wav2vec2-large-xlsr-portuguese-a")  
model = Wav2Vec2ForCTC.from_pretrained("joorock12/wav2vec2-large-xlsr-portuguese-a")  
model.to("cuda")  

chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“\'\�]'  
resampler = torchaudio.transforms.Resample(48000, 16000)  
norm = normaliser.Normaliser()  

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)  

def evaluate(batch):  
    inputs = processor(batch["speech"], sampling_rate=16000, 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"] = [norm.normalise(i) for i in 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["sentence"])))  

测试结果(词错误率): 13.766801%

训练过程

使用通用语音数据集的train和validation子集进行训练。

训练脚本详见:
https://github.com/joaoalvarenga/wav2vec2-large-xlsr-53-portuguese/blob/main/fine-tuning.py