🚀 用于意大利语语音识别的微调XLSR - 53大模型

本模型是在意大利语语料上对 facebook/wav2vec2-large-xlsr-53 进行微调得到的，使用了 Common Voice 6.1 的训练集和验证集。使用此模型时，请确保语音输入的采样率为16kHz。

该模型的微调得益于 OVHcloud 慷慨提供的GPU计算资源。

训练脚本可在此处找到：https://github.com/jonatasgrosman/wav2vec2-sprint

🚀 快速开始

本模型基于 facebook/wav2vec2-large-xlsr-53 在意大利语数据集上微调而来，可用于意大利语的自动语音识别任务。使用时需注意语音输入的采样率为16kHz。

✨ 主要特性

• 微调模型：基于XLSR - 53大模型在意大利语上进行微调，适配意大利语语音识别。
• 多数据集支持：使用了Common Voice等数据集进行训练和评估。
• 指标评估：提供了词错误率（WER）和字符错误率（CER）等评估指标。

📦 安装指南

文档未提及具体安装步骤，可参考相关依赖库（如huggingsound、transformers、librosa、datasets等）的官方安装说明。

💻 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-large-xlsr-53-italian")
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 = "it"
MODEL_ID = "jonatasgrosman/wav2vec2-large-xlsr-53-italian"
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)

for i, predicted_sentence in enumerate(predicted_sentences):
    print("-" * 100)
    print("Reference:", test_dataset[i]["sentence"])
    print("Prediction:", predicted_sentence)

以下是部分识别结果示例：

📚 详细文档

评估方法

1. 在 mozilla-foundation/common_voice_6_0 数据集的 test 分割上进行评估：

python eval.py --model_id jonatasgrosman/wav2vec2-large-xlsr-53-italian --dataset mozilla-foundation/common_voice_6_0 --config it --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-large-xlsr-53-italian --dataset speech-recognition-community-v2/dev_data --config it --split validation --chunk_length_s 5.0 --stride_length_s 1.0

模型指标

部分评估结果如下：

• 在Common Voice it数据集上：
  • 测试集WER：9.41
  • 测试集CER：2.29
  • 测试集WER (+LM)：6.91
  • 测试集CER (+LM)：1.83
• 在Robust Speech Event - Dev Data数据集上：
  • 开发集WER：21.78
  • 开发集CER：7.94
  • 开发集WER (+LM)：15.82
  • 开发集CER (+LM)：6.83

📄 许可证

本模型使用Apache 2.0许可证。

🔧 技术细节

本模型基于 facebook/wav2vec2-large-xlsr-53 进行微调，使用了 Common Voice 6.1 的训练集和验证集。在微调过程中，通过GPU计算资源进行训练，以适配意大利语的语音识别任务。

📚 引用说明

如果您想引用此模型，可以使用以下BibTeX格式：

@misc{grosman2021xlsr53-large-italian,
  title={Fine-tuned {XLSR}-53 large model for speech recognition in {I}talian},
  author={Grosman, Jonatas},
  howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-large-xlsr-53-italian}},
  year={2021}
}

⚠️ 重要提示

使用此模型时，请确保语音输入的采样率为16kHz。

💡 使用建议

可以根据具体需求调整评估脚本中的参数，如 chunk_length_s 和 stride_length_s 等，以获得更好的评估效果。