基于facebook/wav2vec2-large在英语上进行了微调的自动语音识别模型,使用Common Voice 6.1数据集训练
下载量 355
发布时间 : 3/2/2022
模型介绍
内容详情
替代品
模型简介
针对英语语音识别任务优化的wav2vec2大型模型,支持16kHz采样率的语音输入
模型特点
高性能英语识别
在Common Voice英语测试集上达到21.53% WER和9.66% CER
基于大型预训练模型
基于facebook/wav2vec2-large模型微调,具有强大的语音特征提取能力
16kHz采样率支持
专为16kHz采样率的语音输入优化
模型能力
英语语音识别
音频转文本
自动语音转录
使用案例
语音转录
会议记录自动转录
将英语会议录音自动转换为文字记录
准确率约80% (基于WER指标)
播客内容转录
将英语播客节目自动转换为文字内容
语音助手
英语语音指令识别
用于智能设备的英语语音指令识别系统
语言: 英文 数据集:
- 通用语音 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Wav2Vec2英语模型
结果:
- 任务:
名称: 语音识别
类型: 自动语音识别
数据集:
名称: 通用语音英语
类型: common_voice
参数: en
指标:
- 名称: 测试WER 类型: wer 值: 21.53
- 名称: 测试CER 类型: cer 值: 9.66
- 任务:
名称: 语音识别
类型: 自动语音识别
数据集:
名称: 通用语音英语
类型: common_voice
参数: en
指标:
针对英语语音识别的微调wav2vec2大型模型
基于facebook/wav2vec2-large在英语上进行了微调,使用了Common Voice 6.1的训练和验证分割。使用此模型时,请确保您的语音输入采样率为16kHz。
此模型的微调得益于OVHcloud慷慨提供的GPU资源 :)
训练脚本可在此处找到: https://github.com/jonatasgrosman/wav2vec2-sprint
使用方法
该模型可以直接使用(无需语言模型)如下...
使用HuggingSound库:
from huggingsound import SpeechRecognitionModel
model = SpeechRecognitionModel("jonatasgrosman/wav2vec2-large-english")
audio_paths = ["/path/to/file.mp3", "/path/to/another_file.wav"]
transcriptions = model.transcribe(audio_paths)
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 = "en"
MODEL_ID = "jonatasgrosman/wav2vec2-large-english"
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)
# 预处理数据集
# 我们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:", test_dataset[i]["sentence"])
print("预测:", predicted_sentence)
参考文本 | 预测文本 |
---|---|
"SHE'LL BE ALL RIGHT." | SHELL BE ALL RIGHT |
SIX | SIX |
"ALL'S WELL THAT ENDS WELL." | ALLAS WELL THAT ENDS WELL |
DO YOU MEAN IT? | W MEAN IT |
THE NEW PATCH IS LESS INVASIVE THAN THE OLD ONE, BUT STILL CAUSES REGRESSIONS. | THE NEW PATCH IS LESS INVASIVE THAN THE OLD ONE BUT STILL CAUSES REGRESTION |
HOW IS MOZILLA GOING TO HANDLE AMBIGUITIES LIKE QUEUE AND CUE? | HOW IS MOSILLA GOING TO BANDL AND BE WHIT IS LIKE QU AND QU |
"I GUESS YOU MUST THINK I'M KINDA BATTY." | RUSTION AS HAME AK AN THE POT |
NO ONE NEAR THE REMOTE MACHINE YOU COULD RING? | NO ONE NEAR THE REMOTE MACHINE YOU COULD RING |
SAUCE FOR THE GOOSE IS SAUCE FOR THE GANDER. | SAUCE FOR THE GUCE IS SAUCE FOR THE GONDER |
GROVES STARTED WRITING SONGS WHEN SHE WAS FOUR YEARS OLD. | GRAFS STARTED WRITING SONGS WHEN SHE WAS FOUR YEARS OLD |
评估
可以在Common Voice的英语(en)测试数据上评估模型如下。
import torch
import re
import librosa
from datasets import load_dataset, load_metric
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
LANG_ID = "en"
MODEL_ID = "jonatasgrosman/wav2vec2-large-english"
DEVICE = "cuda"
CHARS_TO_IGNORE = [",", "?", "¿", ".", "!", "¡", ";", ";", ":", '""', "%", '"', "�", "ʿ", "·", "჻", "~", "՞",
"؟", "،", "।", "॥", "«", "»", "„", "“", "”", "「", "」", "‘", "’", "《", "》", "(", ")", "[", "]",
"{", "}", "=", "`", "_", "+", "<", ">", "…", "–", "°", "´", "ʾ", "‹", "›", "©", "®", "—", "→", "。",
"、", "﹂", "﹁", "‧", "~", "﹏", ",", "{", "}", "(", ")", "[", "]", "【", "】", "‥", "〽",
"『", "』", "〝", "〟", "⟨", "⟩", "〜", ":", "!", "?", "♪", "؛", "/", "\\", "º", "−", "^", "ʻ", "ˆ"]
test_dataset = load_dataset("common_voice", LANG_ID, split="test")
wer = load_metric("wer.py") # https://github.com/jonatasgrosman/wav2vec2-sprint/blob/main/wer.py
cer = load_metric("cer.py") # https://github.com/jonatasgrosman/wav2vec2-sprint/blob/main/cer.py
chars_to_ignore_regex = f"[{re.escape(''.join(CHARS_TO_IGNORE))}]"
processor = Wav2Vec2Processor.from_pretrained(MODEL_ID)
model = Wav2Vec2ForCTC.from_pretrained(MODEL_ID)
model.to(DEVICE)
# 预处理数据集
# 我们需要将音频文件读取为数组
def speech_file_to_array_fn(batch):
with warnings.catch_warnings():
warnings.simplefilter("ignore")
speech_array, sampling_rate = librosa.load(batch["path"], sr=16_000)
batch["speech"] = speech_array
batch["sentence"] = re.sub(chars_to_ignore_regex, "", batch["sentence"]).upper()
return batch
test_dataset = test_dataset.map(speech_file_to_array_fn)
# 预处理数据集
# 我们需要将音频文件读取为数组
def evaluate(batch):
inputs = processor(batch["speech"], sampling_rate=16_000, return_tensors="pt", padding=True)
with torch.no_grad():
logits = model(inputs.input_values.to(DEVICE), attention_mask=inputs.attention_mask.to(DEVICE)).logits
pred_ids = torch.argmax(logits, dim=-1)
batch["pred_strings"] = processor.batch_decode(pred_ids)
return batch
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:
在下表中,我报告了模型的词错误率(WER)和字符错误率(CER)。我还在其他模型上运行了上述评估脚本(2021-06-17)。请注意,下表可能显示与已报告结果不同的结果,这可能是由于使用的其他评估脚本的特定性引起的。
模型 | WER | CER |
---|---|---|
jonatasgrosman/wav2vec2-large-xlsr-53-english | 18.98% | 8.29% |
jonatasgrosman/wav2vec2-large-english | 21.53% | 9.66% |
facebook/wav2vec2-large-960h-lv60-self | 22.03% | 10.39% |
facebook/wav2vec2-large-960h-lv60 | 23.97% | 11.14% |
boris/xlsr-en-punctuation | 29.10% | 10.75% |
facebook/wav2vec2-large-960h | 32.79% | 16.03% |
facebook/wav2vec2-base-960h | 39.86% | 19.89% |
facebook/wav2vec2-base-100h | 51.06% | 25.06% |
elgeish/wav2vec2-large-lv60-timit-asr | 59.96% | 34.28% |
facebook/wav2vec2-base-10k-voxpopuli-ft-en | 66.41% | 36.76% |
elgeish/wav2vec2-base-timit-asr | 68.78% | 36.81% |
引用
如果您想引用此模型,可以使用以下方式:
@misc{grosman2021wav2vec2-large-english,
title={针对英语语音识别的微调wav2vec2大型模型},
author={Grosman, Jonatas},
howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-large-english}},
year={2021}
}
Voice Activity Detection
MIT
基于pyannote.audio 2.1版本的语音活动检测模型,用于识别音频中的语音活动时间段
语音识别
V
pyannote
7.7M
181
Wav2vec2 Large Xlsr 53 Portuguese
Apache-2.0
这是一个针对葡萄牙语语音识别任务微调的XLSR-53大模型,基于Common Voice 6.1数据集训练,支持葡萄牙语语音转文本。
语音识别
其他
W
jonatasgrosman
4.9M
32
Whisper Large V3
Apache-2.0
Whisper是由OpenAI提出的先进自动语音识别(ASR)和语音翻译模型,在超过500万小时的标注数据上训练,具有强大的跨数据集和跨领域泛化能力。
语音识别
支持多种语言
W
openai
4.6M
4,321
Whisper Large V3 Turbo
MIT
Whisper是由OpenAI开发的最先进的自动语音识别(ASR)和语音翻译模型,经过超过500万小时标记数据的训练,在零样本设置下展现出强大的泛化能力。
语音识别
Transformers

支持多种语言
W
openai
4.0M
2,317
Wav2vec2 Large Xlsr 53 Russian
Apache-2.0
基于facebook/wav2vec2-large-xlsr-53模型微调的俄语语音识别模型,支持16kHz采样率的语音输入
语音识别
其他
W
jonatasgrosman
3.9M
54
Wav2vec2 Large Xlsr 53 Chinese Zh Cn
Apache-2.0
基于facebook/wav2vec2-large-xlsr-53模型微调的中文语音识别模型,支持16kHz采样率的语音输入。
语音识别
中文
W
jonatasgrosman
3.8M
110
Wav2vec2 Large Xlsr 53 Dutch
Apache-2.0
基于facebook/wav2vec2-large-xlsr-53微调的荷兰语语音识别模型,在Common Voice和CSS10数据集上训练,支持16kHz音频输入。
语音识别
其他
W
jonatasgrosman
3.0M
12
Wav2vec2 Large Xlsr 53 Japanese
Apache-2.0
基于facebook/wav2vec2-large-xlsr-53模型微调的日语语音识别模型,支持16kHz采样率的语音输入
语音识别
日语
W
jonatasgrosman
2.9M
33
Mms 300m 1130 Forced Aligner
基于Hugging Face预训练模型的文本与音频强制对齐工具,支持多种语言,内存效率高
语音识别
Transformers

支持多种语言
M
MahmoudAshraf
2.5M
50
Wav2vec2 Large Xlsr 53 Arabic
Apache-2.0
基于facebook/wav2vec2-large-xlsr-53微调的阿拉伯语语音识别模型,在Common Voice和阿拉伯语语音语料库上训练
语音识别
阿拉伯语
W
jonatasgrosman
2.3M
37
精选推荐AI模型
Llama 3 Typhoon V1.5x 8b Instruct
专为泰语设计的80亿参数指令模型,性能媲美GPT-3.5-turbo,优化了应用场景、检索增强生成、受限生成和推理任务
大型语言模型
Transformers

支持多种语言
L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型,专为边缘设备推理设计,体积仅为Cosmo-3B模型的2%左右。
对话系统
Transformers

英语
C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基于RoBERTa架构的中文抽取式问答模型,适用于从给定文本中提取答案的任务。
问答系统
中文
R
uer
2,694
98
AIbase是一个专注于MCP服务的平台,为AI开发者提供高质量的模型上下文协议服务,助力AI应用开发。
简体中文