语言: 芬兰语
数据集:

• 通用语音
  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
• 语音
• XLSR微调周
  许可证: Apache-2.0
  模型索引:
• 名称: 由Jonatas Grosman开发的XLSR Wav2Vec2芬兰语模型
  结果:
  • 任务:
    名称: 语音识别
    类型: 自动语音识别
    数据集:
    名称: 通用语音芬兰语版
    类型: common_voice
    参数: fi
    指标:
    • 名称: 测试WER
      类型: wer
      值: 41.60
    • 名称: 测试CER
      类型: cer
      值: 8.23

针对芬兰语语音识别优化的XLSR-53大模型

本模型基于facebook/wav2vec2-large-xlsr-53，使用Common Voice 6.1和CSS10的训练集与验证集对芬兰语进行了微调。使用时请确保语音输入采样率为16kHz。

此次微调得益于OVHcloud慷慨提供的GPU算力支持:)

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

使用方式

可直接使用本模型（无需语言模型）进行推理...

通过HuggingSound库:

from huggingsound import SpeechRecognitionModel  

model = SpeechRecognitionModel("jonatasgrosman/wav2vec2-large-xlsr-53-finnish")  
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 = "fi"  
MODEL_ID = "jonatasgrosman/wav2vec2-large-xlsr-53-finnish"  
SAMPLES = 5  

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  
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("识别结果:", predicted_sentence)  

评估

可在Common Voice芬兰语测试集上按如下方式评估模型:

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

LANG_ID = "fi"  
MODEL_ID = "jonatasgrosman/wav2vec2-large-xlsr-53-finnish"  
DEVICE = "cuda"  

# 定义需忽略的特殊字符集  
CHARS_TO_IGNORE = [...]  

wer = load_metric("wer.py")  
cer = load_metric("cer.py")  

chars_to_ignore_regex = f"[{re.escape(''.join(CHARS_TO_IGNORE))}]"  

# 数据预处理流程  
def speech_file_to_array_fn(batch):  
    # 音频加载与文本清洗  
    ...  

def evaluate(batch):  
    # 推理计算过程  
    ...  

# 执行评估  
result = test_dataset.map(evaluate, batched=True, batch_size=8)  
predictions = [x.upper() for x in result["pred_strings"]]  
references = [x.upper() for x in result["sentence"]]  

print(f"WER: {wer.compute(predictions=predictions, references=references, chunk_size=1000) * 100}")  
print(f"CER: {cer.compute(predictions=predictions, references=references, chunk_size=1000) * 100}")  

测试结果:

下表展示了模型的词错误率(WER)和字符错误率(CER)。2021-04-日同期对比的其他模型结果可能因评估脚本差异而有所不同。

引用

若需引用本模型，请使用:

@misc{grosman2021xlsr53-large-finnish,  
  title={针对芬兰语语音识别优化的{XLSR}-53大模型},  
  author={Grosman, Jonatas},  
  howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-large-xlsr-53-finnish}},  
  year={2021}  
}