语言: el 数据集:

• common_voice 评估指标:
• wer
• 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: V XLSR Wav2Vec2 Large 53 - 希腊语 结果:
  • 任务: 名称: 语音识别 类型: automatic-speech-recognition 数据集: 名称: Common Voice el 类型: common_voice 参数: el 指标:
    • 名称: 测试WER 类型: wer 值: 18.996669
    • 名称: 测试CER 类型: cer 值: 5.781874

Wav2Vec2-Large-XLSR-53-希腊语

基于facebook/wav2vec2-large-xlsr-53在希腊语上微调，使用了Common Voice和CSS10 Greek: Single Speaker Speech Dataset数据集。使用此模型时，请确保您的语音输入采样率为16kHz。

使用方法

该模型可以直接使用（无需语言模型）如下：

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

test_dataset = load_dataset("common_voice", "el", split="test[:2%]") #TODO: 在此处替换{lang_id}为您的语言代码。确保代码是[此](https://huggingface.co/languages)网站中的*ISO代码*之一。

processor = Wav2Vec2Processor.from_pretrained("vasilis/wav2vec2-large-xlsr-53-greek") #TODO: 将{model_id}替换为您的模型ID。模型ID由{your_username}/{your_modelname}组成，例如`elgeish/wav2vec2-large-xlsr-53-arabic`
model = Wav2Vec2ForCTC.from_pretrained("vasilis/wav2vec2-large-xlsr-53-greek") #TODO: 将{model_id}替换为您的模型ID。模型ID由{your_username}/{your_modelname}组成，例如`elgeish/wav2vec2-large-xlsr-53-arabic`

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

# 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 = 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["speech"][:2], 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:", processor.batch_decode(predicted_ids))
print("参考:", test_dataset["sentence"][:2])

评估

可以在Common Voice的希腊语测试数据上评估该模型如下：

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

test_dataset = load_dataset("common_voice", "el", split="test") #TODO: 在此处替换{lang_id}为您的语言代码。确保代码是[此](https://huggingface.co/languages)网站中的*ISO代码*之一。
wer = load_metric("wer")

processor = Wav2Vec2Processor.from_pretrained("vasilis/wav2vec2-large-xlsr-53-greek") #TODO: 将{model_id}替换为您的模型ID。模型ID由{your_username}/{your_modelname}组成，例如`elgeish/wav2vec2-large-xlsr-53-arabic`
model = Wav2Vec2ForCTC.from_pretrained("vasilis/wav2vec2-large-xlsr-53-greek") #TODO: 将{model_id}替换为您的模型ID。模型ID由{your_username}/{your_modelname}组成，例如`elgeish/wav2vec2-large-xlsr-53-arabic`
model.to("cuda")

chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“]' # TODO: 调整此列表以包含您从数据中移除的所有特殊字符

normalize_greek_letters = {"ς": "σ"}
# normalize_greek_letters = {"ά": "α", "έ": "ε", "ί": "ι", 'ϊ': "ι", "ύ": "υ", "ς": "σ", "ΐ": "ι", 'ϋ': "υ", "ή": "η", "ώ": "ω", 'ό': "ο"}
remove_chars_greek = {"a": "", "h": "", "n": "", "g": "", "o": "", "v": "", "e": "", "r": "", "t": "", "«": "", "»": "", "m": "", '́': '', "·": "", "’": "", '´': ""}
replacements = {**normalize_greek_letters, **remove_chars_greek}

resampler = {
    48_000: torchaudio.transforms.Resample(48_000, 16_000),
    44100: torchaudio.transforms.Resample(44100, 16_000),
    32000: torchaudio.transforms.Resample(32000, 16_000)
}


# 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):
    batch["sentence"] = re.sub(chars_to_ignore_regex, '', batch["sentence"]).lower()
    for key, value in replacements.items():
        batch["sentence"] = batch["sentence"].replace(key, value)
    speech_array, sampling_rate = torchaudio.load(batch["path"])
    batch["speech"] = resampler[sampling_rate](speech_array).squeeze().numpy()
    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("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"])))
print("CER: {:2f}".format(100 * wer.compute(predictions=[" ".join(list(entry)) for entry in result["pred_strings"]], references=[" ".join(list(entry)) for entry in result["sentence"]])))

测试结果: 18.996669 %

训练

使用了Common Voice的训练数据集进行训练。同时使用了所有CSS10 Greek的标准化转录文本。在文本预处理过程中，字母ς被标准化为σ，原因是这两个字母发音相同，ς仅作为单词的结尾字符使用。因此，可以轻松映射到正确的听写。我还尝试移除所有字母的重音，这显著提高了WER。模型在没有完全收敛的情况下轻松达到了17%的WER。然而，之后需要进行的文本预处理会更加复杂。不过，语言模型应该可以轻松解决这些问题。另一个可以尝试的方法是将所有ι、η等字符更改为单个字符，因为它们发音相同。类似地，对于o和ω，这些应该会显著帮助声学模型部分，因为这些字符都映射到相同的发音。但需要进一步的文本标准化。