语言: 葡萄牙语
数据集:

• common_voice
  评估指标:
• wer (词错误率)
  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: Gunjan Chhablani开发的Wav2Vec2 Large 53葡萄牙语模型
  结果:
  • 任务:
    名称: 语音识别
    类型: 自动语音识别
    数据集:
    名称: Common Voice葡萄牙语
    类型: common_voice
    参数: pt
    指标:
    • 名称: 测试WER
      类型: wer
      值: 17.22

Wav2Vec2-Large-XLSR-53-葡萄牙语

基于facebook/wav2vec2-large-xlsr-53模型，使用Common Voice葡萄牙语数据集进行微调。
使用此模型时，请确保语音输入采样率为16kHz。

使用方法

该模型可直接使用（无需语言模型），示例如下：

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

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

processor = Wav2Vec2Processor.from_pretrained("gchhablani/wav2vec2-large-xlsr-pt")  
model = Wav2Vec2ForCTC.from_pretrained("gchhablani/wav2vec2-large-xlsr-pt")  

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

# 数据预处理  
# 需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("预测结果:", processor.batch_decode(predicted_ids))  
print("参考文本:", test_dataset["sentence"][:2])  

评估

可在Common Voice葡萄牙语测试集上按如下方式评估模型：

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

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

processor = Wav2Vec2Processor.from_pretrained("gchhablani/wav2vec2-large-xlsr-pt")  
model = Wav2Vec2ForCTC.from_pretrained("gchhablani/wav2vec2-large-xlsr-pt")  
model.to("cuda")  

chars_to_ignore_regex = '[\,\?\.\!\-\;\;\"\“\'\�]'  
resampler = torchaudio.transforms.Resample(48_000, 16_000)  

# 数据预处理  
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: 17.22%

训练

使用Common Voice的train和validation数据集进行训练。训练脚本详见此处。
训练参数如下：

#!/usr/bin/env bash  
python run_common_voice.py \  
    --model_name_or_path="facebook/wav2vec2-large-xlsr-53" \  
    --dataset_config_name="pt" \  
    --output_dir=/workspace/output_models/pt/wav2vec2-large-xlsr-pt \  
    --cache_dir=/workspace/data \  
    --overwrite_output_dir \  
    --num_train_epochs="30" \  
    --per_device_train_batch_size="32" \  
    --per_device_eval_batch_size="32" \  
    --evaluation_strategy="steps" \  
    --learning_rate="3e-4" \  
    --warmup_steps="500" \  
    --fp16 \  
    --freeze_feature_extractor \  
    --save_steps="500" \  
    --eval_steps="500" \  
    --save_total_limit="1" \  
    --logging_steps="500" \  
    --group_by_length \  
    --feat_proj_dropout="0.0" \  
    --layerdrop="0.1" \  
    --gradient_checkpointing \  
    --do_train --do_eval \  

评估笔记本详见此处。