Wav2Vec2-Large-XLSR-53 加利西亚语版

语言: gl
数据集:

• OpenSLR 77
  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: 加利西亚语 Wav2Vec2-Large-XLSR-53
  结果:
  • 任务:
    名称: 语音识别
    类型: automatic-speech-recognition
    数据集:
    名称: OpenSLR
    类型: openslr
    参数: gl
    指标:
    • 名称: 测试WER
      类型: wer
      值: 16.79

Wav2Vec2-Large-XLSR-53-加利西亚语版

基于facebook/wav2vec2-large-xlsr-53模型，使用OpenSLR数据集对加利西亚语进行微调

使用本模型时，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", "gl", split="test[:2%]")  # 目前尚未可用，请改用OpenSLR或您的数据集

processor = Wav2Vec2Processor.from_pretrained("diego-fustes/wav2vec2-large-xlsr-gl")
model = Wav2Vec2ForCTC.from_pretrained("diego-fustes/wav2vec2-large-xlsr-gl")

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

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

评估

可在Common Voice的加利西亚语测试数据（发布后）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", "gl", split="test")   # 目前尚未可用，请改用OpenSLR或您的数据集
wer = load_metric("wer")

processor = Wav2Vec2Processor.from_pretrained("diego-fustes/wav2vec2-large-xlsr-gl")
model = Wav2Vec2ForCTC.from_pretrained("diego-fustes/wav2vec2-large-xlsr-gl")
model.to("cuda")

chars_to_ignore_regex = '[^a-záéíóúñ ]'
resampler = torchaudio.transforms.Resample(48_000, 16_000)

# 数据集预处理
# 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()
  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)

# 数据集预处理
# 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"])))

测试结果: 在OpenSLR分割集上达到16.79%

训练过程

使用OpenSLR的SLR77数据集进行训练和验证。数据集按70%训练、15%验证和15%测试的比例分割

训练脚本可在此处获取