语言:

• 印尼语
• 爪哇语
• 巽他语

数据集:

• mozilla-foundation/common_voice_7_0
• openslr
• magic_data
• titml

评估指标:

• 词错误率(WER)

标签:

• 音频
• 自动语音识别
• hf-asr排行榜
• 印尼语
• 爪哇语
• 鲁棒语音赛事
• 语音
• 巽他语

许可证: Apache-2.0

模型索引:

• 名称: 印尼NLP发布的Wav2Vec2印尼语-爪哇语-巽他语模型 结果:
  • 任务: 名称: 自动语音识别 类型: automatic-speech-recognition 数据集: 名称: Common Voice 6.1 类型: common_voice 参数: id 指标:
    • 名称: 测试WER 类型: wer 值: 4.056
    • 名称: 测试CER 类型: cer 值: 1.472
  • 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: id 指标:
    • 名称: 测试WER 类型: wer 值: 4.492
    • 名称: 测试CER 类型: cer 值: 1.577
  • 任务: 名称: 自动语音识别 类型: automatic-speech-recognition 数据集: 名称: 鲁棒语音赛事-开发数据 类型: speech-recognition-community-v2/dev_data 参数: id 指标:
    • 名称: 测试WER 类型: wer 值: 48.94
  • 任务: 名称: 自动语音识别 类型: automatic-speech-recognition 数据集: 名称: 鲁棒语音赛事-测试数据 类型: speech-recognition-community-v2/eval_data 参数: id 指标:
    • 名称: 测试WER 类型: wer 值: 68.95

印尼多语种语音识别模型

这是为印尼多语种语音识别项目构建的模型。该模型基于facebook/wav2vec2-large-xlsr-53在印尼Common Voice数据集、爪哇语高质量TTS数据-SLR41和巽他语高质量TTS数据-SLR44上进行微调。

我们还提供了在线演示供测试使用。

使用本模型时，请确保语音输入采样率为16kHz。

使用方法

无需语言模型即可直接使用该模型：

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

test_dataset = load_dataset("common_voice", "id", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("indonesian-nlp/wav2vec2-indonesian-javanese-sundanese")
model = Wav2Vec2ForCTC.from_pretrained("indonesian-nlp/wav2vec2-indonesian-javanese-sundanese")

resampler = torchaudio.transforms.Resample(48_000, 16_000)

# 数据预处理
def speech_file_to_array_fn(batch):
    speech_array, sampling_rate = torchaudio.load(batch["path"])
    batch["speech"] = resampler(speech_array).squeeze().numpy()
    return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)
inputs = processor(test_dataset[:2]["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)

print("预测结果:", processor.batch_decode(predicted_ids))
print("参考文本:", test_dataset[:2]["sentence"])

评估

可在Common Voice印尼语测试数据上评估模型：

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

test_dataset = load_dataset("common_voice", "id", split="test")
wer = load_metric("wer")

processor = Wav2Vec2Processor.from_pretrained("indonesian-nlp/wav2vec2-indonesian-javanese-sundanese")
model = Wav2Vec2ForCTC.from_pretrained("indonesian-nlp/wav2vec2-indonesian-javanese-sundanese") 
model.to("cuda")

chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“\%\‘\'\”\�]'

resampler = torchaudio.transforms.Resample(48_000, 16_000)

def speech_file_to_array_fn(batch):
    batch["sentence"] = re.sub(chars_to_ignore_regex, '', batch["sentence"]).lower()
    speech_array, sampling_rate = torchaudio.load(batch["path"])
    batch["speech"] = resampler(speech_array).squeeze().numpy()
    return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)

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("cuda"), attention_mask=inputs.attention_mask.to("cuda")).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)

print("WER: {:2f}".format(100 * wer.compute(predictions=result["pred_strings"], references=result["sentence"])))

测试结果: 11.57%

训练过程

使用了Common Voice的train、validation等数据集进行训练（待补充完整信息）

训练脚本详见此处（即将发布）