语言:

• 捷克语 许可证: Apache-2.0 标签:
• 自动语音识别
• Mozilla基金会/common_voice_8_0
• 训练生成
• 鲁棒语音事件
• XLSR微调周
• HF-ASR排行榜 数据集:
• Mozilla基金会/common_voice_8_0 模型索引:
• 名称: 捷克语 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: cs 指标:
    • 名称: 测试WER 类型: wer 值: 10.3
    • 名称: 测试CER 类型: cer 值: 2.6
  • 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: cs 指标:
    • 名称: 测试WER 类型: wer 值: 54.29
  • 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: cs 指标:
    • 名称: 测试WER 类型: wer 值: 44.55

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

该模型是基于facebook/wav2vec2-xls-r-300m在common_voice 8.0数据集上进行微调的版本。 在训练过程中，其在评估集上取得了以下结果：

• 损失: 0.2327
• WER: 0.1608
• CER: 0.0376

使用语言模型的eval.py脚本结果为： WER: 0.10281503199350225 CER: 0.02622802241689026

模型描述

基于facebook/wav2vec2-large-xlsr-53在捷克语Common Voice数据集上微调。 使用此模型时，请确保您的语音输入采样率为16kHz。

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", "cs", split="test[:2%]")

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

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

# 预处理数据集
# 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[: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:", processor.batch_decode(predicted_ids))
print("参考:", 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-cs-cv8 --dataset mozilla-foundation/common-voice_8_0 --split test --config cs

训练和评估数据

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

训练过程

训练超参数

第一阶段的训练使用了以下超参数：

• 学习率: 7e-05
• 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: 150
• 混合精度训练: Native AMP

第二阶段的训练使用了以下超参数：

• 学习率: 0.001
• 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: Native AMP

训练结果

采用稍不同架构和更高学习率的进一步微调：

框架版本

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