语言: 德语
许可证: Apache-2.0
数据集:

• 通用语音
• mozilla-foundation/common_voice_6_0
  评估指标:
• 词错误率(WER)
• 字符错误率(CER)
  标签:
• 音频
• 自动语音识别
• 德语
• hf-asr-leaderboard
• mozilla-foundation/common_voice_6_0
• 鲁棒语音事件
• 语音
• xlsr微调周

模型索引:

• 名称: Jonatas Grosman的XLSR Wav2Vec2德语模型
  结果:
  • 任务:
    名称: 自动语音识别
    类型: automatic-speech-recognition
    数据集:
    名称: 通用语音德语
    类型: common_voice
    参数: de
    指标:
    • 名称: 测试WER
      类型: wer
      值: 12.06
    • 名称: 测试CER
      类型: cer
      值: 2.92
    • 名称: 测试WER (+语言模型)
      类型: wer
      值: 8.74
    • 名称: 测试CER (+语言模型)
      类型: cer
      值: 2.28
  • 任务:
    名称: 自动语音识别
    类型: automatic-speech-recognition
    数据集:
    名称: 鲁棒语音事件 - 开发数据
    类型: speech-recognition-community-v2/dev_data
    参数: de
    指标:
    • 名称: 开发WER
      类型: wer
      值: 32.75
    • 名称: 开发CER
      类型: cer
      值: 13.64
    • 名称: 开发WER (+语言模型)
      类型: wer
      值: 26.6
    • 名称: 开发CER (+语言模型)
      类型: cer
      值: 12.58

针对德语语音识别微调的XLSR-53大模型

基于facebook/wav2vec2-large-xlsr-53模型，使用Common Voice 6.1的训练集和验证集对德语进行了微调。
使用此模型时，请确保语音输入采样率为16kHz。

此模型的微调得益于OVHcloud慷慨提供的GPU算力资源 :)

训练脚本详见: https://github.com/jonatasgrosman/wav2vec2-sprint

使用方法

该模型可直接使用（无需语言模型），如下所示...

使用HuggingSound库:

from huggingsound import SpeechRecognitionModel  

model = SpeechRecognitionModel("jonatasgrosman/wav2vec2-large-xlsr-53-german")  
audio_paths = ["/path/to/file.mp3", "/path/to/another_file.wav"]  

transcriptions = model.transcribe(audio_paths)  

自定义推理脚本:

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

LANG_ID = "de"  
MODEL_ID = "jonatasgrosman/wav2vec2-large-xlsr-53-german"  
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)  

# 数据预处理  
# 需要将音频文件读取为数组  
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("参考文本:", test_dataset[i]["sentence"])  
    print("预测结果:", predicted_sentence)  

评估

1. 在mozilla-foundation/common_voice_6_0的test集上评估

python eval.py --model_id jonatasgrosman/wav2vec2-large-xlsr-53-german --dataset mozilla-foundation/common_voice_6_0 --config de --split test  

2. 在speech-recognition-community-v2/dev_data上评估

python eval.py --model_id jonatasgrosman/wav2vec2-large-xlsr-53-german --dataset speech-recognition-community-v2/dev_data --config de --split validation --chunk_length_s 5.0 --stride_length_s 1.0  

引用

如需引用此模型，请使用:

@misc{grosman2021xlsr53-large-german,  
  title={针对德语语音识别微调的{XLSR}-53大模型},  
  author={Grosman, Jonatas},  
  howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-large-xlsr-53-german}},  
  year={2021}  
}