语言: 意大利语
数据集:

• 通用语音
  评估指标:
• 词错误率（WER）
  标签:
• 音频
• 语音识别
• wav2vec2模型
• 意大利语
• Apache-2.0许可
• 葡萄牙语语音语料库
• 自动语音识别
• 语音处理
• XLSR微调周项目
• PyTorch框架
  许可证: Apache-2.0
  模型索引:
• 名称: JoaoAlvarenga XLSR Wav2Vec2 Large 53意大利语版
  成果:
  • 任务:
    名称: 语音识别
    类型: 自动语音识别
    数据集:
    名称: 通用语音意大利语版
    类型: common_voice
    参数: it
    评估指标:
    • 名称: 测试集词错误率
      类型: wer
      值: 13.914924%

Wav2Vec2-Large-XLSR-53-意大利语版

基于facebook/wav2vec2-large-xlsr-53模型，使用通用语音数据集的意大利语部分进行微调。

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

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

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["speech"][:2], 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意大利语测试集上评估模型性能：

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

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

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

chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“\'\�]'
resampler = torchaudio.transforms.Resample(48_000, 16_000)

# 数据预处理
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)

# 评估函数
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["sentence"])))

测试结果（词错误率）: 13.914924%

训练过程

训练使用了通用语音数据集的train和validation意大利语部分。

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