语言：

• 斯洛伐克语(sk)

许可证：

• Apache-2.0

标签：

• 自动语音识别
• Mozilla基金会/common_voice_8_0
• 鲁棒语音事件
• XLSR微调周
• HF-ASR排行榜

数据集：

• Common Voice

模型索引：

• 名称：Slovak comodoro Wav2Vec2 XLSR 300M CV8 结果：
  • 任务： 名称：自动语音识别 类型：automatic-speech-recognition 数据集： 名称：Common Voice 8 类型：mozilla-foundation/common_voice_8_0 参数：sk 指标：
    • 名称：测试WER 类型：wer 值：49.6
    • 名称：测试CER 类型：cer 值：13.3
  • 任务： 名称：自动语音识别 类型：automatic-speech-recognition 数据集： 名称：鲁棒语音事件 - 开发数据 类型：speech-recognition-community-v2/dev_data 参数：sk 指标：
    • 名称：测试WER 类型：wer 值：81.7
  • 任务： 名称：自动语音识别 类型：automatic-speech-recognition 数据集： 名称：鲁棒语音事件 - 测试数据 类型：speech-recognition-community-v2/eval_data 参数：sk 指标：
    • 名称：测试WER 类型：wer 值：80.26

wav2vec2-xls-r-300m-cs-cv8

该模型是基于facebook/wav2vec2-xls-r-300m在common_voice 8.0数据集上微调的版本。 在评估集上取得如下结果：

• WER：0.49575384615384616
• CER：0.13333333333333333

使用方法

该模型可直接使用（无需语言模型），如下所示：

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

test_dataset = load_dataset("mozilla-foundation/common_voice_8_0", "sk", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("comodoro/wav2vec2-xls-r-300m-sk-cv8")
model = Wav2Vec2ForCTC.from_pretrained("comodoro/wav2vec2-xls-r-300m-sk-cv8")

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):
    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[:2]["speech"], 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[:2]["sentence"])

评估

可使用附带的eval.py脚本评估模型：

python eval.py --model_id comodoro/wav2vec2-xls-r-300m-sk-cv8 --dataset mozilla-foundation/common_voice_8_0 --split test --config sk

训练与评估数据

训练使用了Common Voice 8.0的train和validation数据集

训练超参数

训练过程中使用的超参数如下：

• 学习率：7e-4
• 训练批次大小：32
• 评估批次大小：8
• 随机种子：42
• 梯度累积步数：20
• 总训练批次大小：640
• 优化器：Adam（beta=(0.9,0.999)，epsilon=1e-08）
• 学习率调度器类型：线性
• 学习率预热步数：500
• 训练轮数：50
• 混合精度训练：原生AMP

框架版本

• Transformers 4.16.0.dev0
• Pytorch 1.10.1+cu102
• Datasets 1.17.1.dev0
• Tokenizers 0.11.0