语言: 马拉地语
数据集:

• openslr
• interspeech_2021_asr
  评估指标:
• wer
  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的XLSR Wav2Vec2 Large 53马拉地语模型
  结果:
  • 任务:
    名称: 语音识别
    类型: 自动语音识别
    数据集:
    名称: OpenSLR mr, InterSpeech 2021 ASR mr
    类型: openslr, interspeech_2021_asr
    评估指标:
    • 名称: 测试WER
      类型: wer
      值: 19.05

Wav2Vec2-Large-XLSR-53-马拉地语

基于facebook/wav2vec2-large-xlsr-53模型，使用OpenSLR SLR64数据集和InterSpeech 2021马拉地语数据集进行微调。请注意，OpenSLR数据仅包含女性声音。在使用此模型之前，请务必注意这一点。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），假设您有一个包含马拉地语text和audio_path字段的数据集：

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

# test_data = #TODO: 编写加载测试数据集的代码。示例参见训练部分的Colab链接。  

processor = Wav2Vec2Processor.from_pretrained("gchhablani/wav2vec2-large-xlsr-mr-3")  
model = Wav2Vec2ForCTC.from_pretrained("gchhablani/wav2vec2-large-xlsr-mr-3")  

# 数据预处理  
# 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["audio_path"])  
    batch["speech"] = librosa.resample(speech_array[0].numpy(), sampling_rate, 16_000) # 采样率可能不同  
    return batch  

test_data= test_data.map(speech_file_to_array_fn)  
inputs = processor(test_data["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_data["text"][:2])  

评估

可以在OpenSLR马拉地语数据的10%上评估模型，如下所示：

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

# test_data = #TODO: 编写加载测试数据集的代码。示例参见训练部分的Colab链接。  

wer = load_metric("wer")  
processor = Wav2Vec2Processor.from_pretrained("gchhablani/wav2vec2-large-xlsr-mr-3")  
model = Wav2Vec2ForCTC.from_pretrained("gchhablani/wav2vec2-large-xlsr-mr-3")  
model.to("cuda")  

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

# 数据预处理  
# 需要将音频文件读取为数组  
def speech_file_to_array_fn(batch):  
    batch["text"] = re.sub(chars_to_ignore_regex, '', batch["text"]).lower()  
    speech_array, sampling_rate = torchaudio.load(batch["audio_path"])  
    batch["speech"] = librosa.resample(speech_array[0].numpy(), sampling_rate, 16_000)  
    return batch  

test_data= test_data.map(speech_file_to_array_fn)  

# 评估函数  
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_data.map(evaluate, batched=True, batch_size=8)  
print("WER: {:2f}".format(100 * wer.compute(predictions=result["pred_strings"], references=result["text"])))  

测试结果: 19.05 % (157+157个样本)

OpenSLR测试集结果: 14.15 % (157个样本)

InterSpeech测试集结果: 27.14 % (157个样本)

训练

使用了OpenSLR马拉地语数据集的1412个样本和InterSpeech 2021马拉地语ASR数据集的1412个样本进行训练。测试时，分别使用了每个数据集的157个样本。

训练和评估使用的Colab笔记本可以在这里找到。