语言: cv
数据集:

• common_voice
  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: Gagan Bhatia的wav2vec2-xlsr-chuvash
  结果:
  • 任务:
    名称: 语音识别
    类型: automatic-speech-recognition
    数据集:
    名称: Common Voice cv
    类型: common_voice
    参数: cv
    指标:
    • 名称: 测试WER
      类型: wer
      值: 48.40

Wav2Vec2-Large-XLSR-53-楚瓦什语

基于facebook/wav2vec2-large-xlsr-53在楚瓦什语上的微调，使用了Common Voice数据集。

使用该模型时，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）如下：

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

test_dataset = load_dataset("common_voice", "cv", split="test")  

processor = Wav2Vec2Processor.from_pretrained("gagan3012/wav2vec2-xlsr-chuvash")   
model = Wav2Vec2ForCTC.from_pretrained("gagan3012/wav2vec2-xlsr-chuvash")   

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

# 数据预处理  
# 需要将音频文件读取为数组  
def speech_file_to_array_fn(batch):  
\\t语音数组, 采样率 = torchaudio.load(batch["路径"])  
\\tbatch["语音"] = resampler(语音数组).squeeze().numpy()  
\\treturn batch  

test_dataset = test_dataset.map(speech_file_to_array_fn)  
inputs = processor(test_dataset["语音"][:2], sampling_rate=16_000, return_tensors="pt", padding=True)  

with torch.no_grad():  
\\tlogits = 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["句子"][:2])  

结果:

预测: ['проектпа килӗшӳллӗн тӗлӗ мероприяти иртермелле', 'твăра çак планета минтӗ пуяни калленнана']

参考: ['Проектпа килӗшӳллӗн, тӗрлӗ мероприяти ирттермелле.', 'Çак планета питĕ пуян иккен.']

评估

该模型可在Common Voice的楚瓦什语测试数据上如下评估：

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

!mkdir cer  
!wget -O cer/cer.py https://huggingface.co/ctl/wav2vec2-large-xlsr-cantonese/raw/main/cer.py  

test_dataset = load_dataset("common_voice", "cv", split="test") #TODO: 将{lang_id}替换为你的语言代码。确保代码是[此链接](https://huggingface.co/languages)中的*ISO代码*之一。  
wer = load_metric("wer")  
cer = load_metric("cer")  

processor = Wav2Vec2Processor.from_pretrained("gagan3012/wav2vec2-xlsr-chuvash")   
model = Wav2Vec2ForCTC.from_pretrained("gagan3012/wav2vec2-xlsr-chuvash")   
model.to("cuda")  

chars_to_ignore_regex = '[\\\\,\\\\?\\\\.\\\\!\\\\-\\\\;\\\\:\\\\"\\\\“]'  # TODO: 调整此列表以包含从数据中移除的所有特殊字符  
resampler = torchaudio.transforms.Resample(48_000, 16_000)  

# 数据预处理  
# 需要将音频文件读取为数组  
def speech_file_to_array_fn(batch):  
\\tbatch["句子"] = re.sub(chars_to_ignore_regex, '', batch["句子"]).lower()  
\\t语音数组, 采样率 = torchaudio.load(batch["路径"])  
\\tbatch["语音"] = resampler(语音数组).squeeze().numpy()  
\\treturn batch  

test_dataset = test_dataset.map(speech_file_to_array_fn)  

# 数据预处理  
# 需要将音频文件读取为数组  
def evaluate(batch):  
\\tinputs = processor(batch["语音"], sampling_rate=16_000, return_tensors="pt", padding=True)  

\\twith torch.no_grad():  
\\t\\tlogits = model(inputs.input_values.to("cuda"), attention_mask=inputs.attention_mask.to("cuda")).logits  

\\tpred_ids = torch.argmax(logits, dim=-1)  
\\tbatch["预测字符串"] = processor.batch_decode(pred_ids)  
\\treturn batch  

result = test_dataset.map(evaluate, batched=True, batch_size=8)  

print("WER: {:2f}".format(100 * wer.compute(predictions=result["预测字符串"], references=result["句子"])))  
print("CER: {:2f}".format(100 * cer.compute(predictions=result["预测字符串"], references=result["句子"])))  

测试结果: 48.40 %

训练

训练脚本可在此处找到。