语言: 法语
数据集:

• common_voice
  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: Jonatas Grosman的Voxpopuli Wav2Vec2法语模型
  结果:
  • 任务:
    名称: 语音识别
    类型: automatic-speech-recognition
    数据集:
    名称: Common Voice法语版
    类型: common_voice
    参数: fr
    指标:
    • 名称: 测试WER
      类型: wer
      值: 17.62
    • 名称: 测试CER
      类型: cer
      值: 6.04

针对法语语音识别优化的Voxpopuli wav2vec2大型模型

本模型基于facebook/wav2vec2-large-fr-voxpopuli，使用Common Voice 6.1的法语训练集和验证集进行微调。使用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算力支持 :)

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

使用方式

可直接使用该模型（无需语言模型）进行语音识别...

使用HuggingSound库:

from huggingsound import SpeechRecognitionModel  

model = SpeechRecognitionModel("jonatasgrosman/wav2vec2-large-fr-voxpopuli-french")  
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 = "fr"  
MODEL_ID = "jonatasgrosman/wav2vec2-large-fr-voxpopuli-french"  
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  
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法语测试集上按以下方式评估模型表现:

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

# 评估代码与上文类似，此处省略详细实现  

测试结果:

下表展示了模型的词错误率(WER)和字符错误率(CER)。2021-05-16使用相同评估脚本对比的其他模型结果可能因评估细节差异而有所不同。

引用

若需引用本模型，请使用:

@misc{grosman2021voxpopuli-fr-wav2vec2-large-french,  
  title={针对法语语音识别优化的Voxpopuli wav2vec2大型模型},  
  author={Grosman, Jonatas},  
  howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-large-fr-voxpopuli-french}},  
  year={2021}  
}