语言:

• 捷克语 许可证: Apache-2.0 标签:
• 自动语音识别
• 训练生成
• hf-asr排行榜
• mozilla-foundation/common_voice_8_0
• 鲁棒语音事件
• xlsr微调周 数据集:
• mozilla-foundation/common_voice_8_0
• ovm
• pscr
• vystadial2016 基础模型: facebook/wav2vec2-xls-r-300m 模型索引:
• 名称: 捷克语comodoro Wav2Vec2 XLSR 300M 250小时数据 结果:
  • 任务: 类型: 自动语音识别 名称: 自动语音识别 数据集: 名称: Common Voice 8 类型: mozilla-foundation/common_voice_8_0 参数: cs 指标:
    • 类型: 词错误率(WER) 值: 7.3 名称: 测试WER
    • 类型: 字符错误率(CER) 值: 2.1 名称: 测试CER
  • 任务: 类型: 自动语音识别 名称: 自动语音识别 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:
    • 类型: 词错误率(WER) 值: 43.44 名称: 测试WER
  • 任务: 类型: 自动语音识别 名称: 自动语音识别 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:
    • 类型: 词错误率(WER) 值: 38.5 名称: 测试WER

捷克语wav2vec2-xls-r-300m-cs-250

该模型是基于facebook/wav2vec2-xls-r-300m在common_voice 8.0数据集以及其他列出的数据集上进行微调的版本。

在评估集上达到以下结果:

• 损失: 0.1271
• 词错误率(WER): 0.1475
• 字符错误率(CER): 0.0329

使用语言模型的eval.py脚本结果为:

• WER: 0.07274312090176113
• CER: 0.021207369275558875

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-250")
model = Wav2Vec2ForCTC.from_pretrained("comodoro/wav2vec2-xls-r-300m-cs-250")

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

# 数据集预处理
# 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:", 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-250 --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，以及以下数据集:

• Šmídl, Luboš and Pražák, Aleš, 2013, OVM – Otázky Václava Moravce, LINDAT/CLARIAH-CZ数字图书馆，位于查理大学数学与物理学院形式与应用语言学研究所(ÚFAL)，http://hdl.handle.net/11858/00-097C-0000-000D-EC98-3.

• Pražák, Aleš and Šmídl, Luboš, 2012, 捷克议会会议记录, LINDAT/CLARIAH-CZ数字图书馆，位于查理大学数学与物理学院形式与应用语言学研究所(ÚFAL)，http://hdl.handle.net/11858/00-097C-0000-0005-CF9C-4.

• Plátek, Ondřej; Dušek, Ondřej and Jurčíček, Filip, 2016, Vystadial 2016 – 捷克数据, LINDAT/CLARIAH-CZ数字图书馆，位于查理大学数学与物理学院形式与应用语言学研究所(ÚFAL)，http://hdl.handle.net/11234/1-1740.

训练超参数

训练期间使用的超参数如下:

• 学习率: 0.0001
• 训练批次大小: 32
• 评估批次大小: 8
• 随机种子: 42
• 优化器: Adam，参数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: 800
• 训练轮数: 5
• 混合精度训练: Native AMP

训练结果

框架版本

• Transformers 4.16.2
• Pytorch 1.10.1+cu102
• Datasets 1.18.3
• Tokenizers 0.11.0