语言:

• 乌尔都语 许可证: apache-2.0 标签:
• 自动语音识别
• 训练生成
• hf-asr排行榜
• 对话模型
• mozilla-foundation/common_voice_7_0
• 鲁棒语音事件
• 乌尔都语 数据集:
• mozilla-foundation/common_voice_7_0 模型索引:
• 名称: XLS-R-300M - 乌尔都语 结果:
  • 任务: 名称: 自动语音识别 类型: automatic-speech-recognition 数据集: 名称: Common Voice 7 类型: mozilla-foundation/common_voice_7_0 参数: ur 指标:
    • 名称: 测试WER 类型: wer 值: 105.66
    • 名称: 测试CER 类型: cer 值: 434.011

infinitejoy/wav2vec2-large-xls-r-300m-urdu

此模型是基于facebook/wav2vec2-xls-r-300m在MOZILLA-FOUNDATION/COMMON_VOICE_7_0 - -UR数据集上微调的版本。 在评估集上取得了以下结果:

• 损失: 无
• 词错误率(WER): 无

模型描述

需要更多信息

预期用途与限制

需要更多信息

训练与评估数据

需要更多信息

训练过程

训练超参数

训练过程中使用了以下超参数:

• 学习率: 7.5e-05
• 训练批次大小: 8
• 评估批次大小: 8
• 随机种子: 42
• 梯度累积步数: 4
• 总训练批次大小: 32
• 优化器: Adam，参数为betas=(0.9,0.999)和epsilon=1e-08
• 学习率调度器类型: 线性
• 学习率预热步数: 2000
• 训练轮数: 50.0
• 混合精度训练: 原生AMP

训练结果

框架版本

• Transformers 4.16.0.dev0
• Pytorch 1.10.0+cu102
• Datasets 1.17.1.dev0
• Tokenizers 0.10.3

评估命令

1. 在mozilla-foundation/common_voice_7_0的test分割上进行评估

python eval.py \
    --model_id infinitejoy/wav2vec2-large-xls-r-300m-urdu --dataset speech-recognition-community-v2/dev_data \
    --config ur --split validation --chunk_length_s 10 --stride_length_s 1

推理

import torch
from datasets import load_dataset
from transformers import AutoModelForCTC, AutoProcessor
import torchaudio.functional as F


model_id = "infinitejoy/wav2vec2-large-xls-r-300m-urdu"

sample_iter = iter(load_dataset("mozilla-foundation/common_voice_7_0", "ur", split="test", streaming=True, use_auth_token=True))

sample = next(sample_iter)
resampled_audio = F.resample(torch.tensor(sample["audio"]["array"]), 48_000, 16_000).numpy()

model = AutoModelForCTC.from_pretrained(model_id)
processor = AutoProcessor.from_pretrained(model_id)

input_values = processor(resampled_audio, return_tensors="pt").input_values

with torch.no_grad():
    logits = model(input_values).logits

transcription = processor.batch_decode(logits.numpy()).text

在Common Voice 7 "test"集上的评估结果(WER):