🚀 用于西班牙语语音识别的微调XLS - R 1B模型

本模型是在西班牙语数据集上对[facebook/wav2vec2 - xls - r - 1b](https://huggingface.co/facebook/wav2vec2 - xls - r - 1b)进行微调得到的。训练和验证数据来自[Common Voice 8.0](https://huggingface.co/datasets/mozilla - foundation/common_voice_8_0)、MediaSpeech、Multilingual TEDx、Multilingual LibriSpeech和Voxpopuli。使用此模型时，请确保输入的语音采样率为16kHz。

该模型由HuggingSound工具进行微调，感谢[OVHcloud](https://www.ovhcloud.com/en/public - cloud/ai - training/)慷慨提供的GPU计算资源。

🚀 快速开始

本模型可用于西班牙语的自动语音识别任务，通过微调预训练模型在多个数据集上进行训练，提升了语音识别的准确性。

✨ 主要特性

• 多数据集训练：使用多个西班牙语数据集进行训练，提高了模型的泛化能力。
• 微调优化：对预训练的XLS - R 1B模型进行微调，使其更适合西班牙语语音识别。
• 多指标评估：使用WER（词错误率）和CER（字符错误率）等指标进行评估，全面衡量模型性能。

📦 安装指南

文档未提及具体安装步骤，可参考相关依赖库的官方文档进行安装，如huggingsound、transformers、torch、librosa、datasets等。

💻 使用示例

基础用法

使用HuggingSound库进行语音识别：

from huggingsound import SpeechRecognitionModel

model = SpeechRecognitionModel("jonatasgrosman/wav2vec2-xls-r-1b-spanish")
audio_paths = ["/path/to/file.mp3", "/path/to/another_file.wav"]

transcriptions = model.transcribe(audio_paths)

高级用法

编写自己的推理脚本：

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

LANG_ID = "es"
MODEL_ID = "jonatasgrosman/wav2vec2-xls-r-1b-spanish"
SAMPLES = 10

test_dataset = load_dataset("common_voice", LANG_ID, split=f"test[:{SAMPLES}]")

processor = Wav2Vec2Processor.from_pretrained(MODEL_ID)
model = Wav2Vec2ForCTC.from_pretrained(MODEL_ID)

# Preprocessing the datasets.
# We need to read the audio files as arrays
def speech_file_to_array_fn(batch):
    speech_array, sampling_rate = librosa.load(batch["path"], sr=16_000)
    batch["speech"] = speech_array
    batch["sentence"] = batch["sentence"].upper()
    return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)
inputs = processor(test_dataset["speech"], 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)
predicted_sentences = processor.batch_decode(predicted_ids)

📚 详细文档

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 jonatasgrosman/wav2vec2-xls-r-1b-spanish --dataset mozilla-foundation/common_voice_8_0 --config es --split test

2. 在speech - recognition - community - v2/dev_data数据集上进行评估：

python eval.py --model_id jonatasgrosman/wav2vec2-xls-r-1b-spanish --dataset speech-recognition-community-v2/dev_data --config es --split validation --chunk_length_s 5.0 --stride_length_s 1.0

模型信息

评估结果

📄 许可证

本项目采用Apache 2.0许可证。

📖 引用

如果您想引用此模型，可以使用以下格式：

@misc{grosman2021xlsr-1b-spanish,
  title={Fine-tuned {XLS-R} 1{B} model for speech recognition in {S}panish},
  author={Grosman, Jonatas},
  howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-xls-r-1b-spanish}},
  year={2022}
}