语言: tr 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: Ceyda Cinarel的Wav2Vec2-Base土耳其语模型 结果:
  • 任务: 名称: 语音识别 类型: automatic-speech-recognition 数据集: 名称: Common Voice tr 类型: common_voice 参数: tr 指标:
    • 名称: 测试WER 类型: wer 值: 22.60

Wav2Vec2-Base-760-Turkish

待补充

预训练的土耳其语模型ceyda/wav2vec2-base-760。使用Common Voice对土耳其语进行了微调。使用此模型时，请确保您的语音输入采样率为16kHz。

使用方法

该模型可以直接使用（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", "tr", split="test[:2%]") 

processor = Wav2Vec2Processor.from_pretrained("ceyda/wav2vec2-base-960-turkish")
model = Wav2Vec2ForCTC.from_pretrained("ceyda/wav2vec2-base-960-turkish")

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

# 数据预处理。
# 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

可以在Common Voice的土耳其语测试数据上评估该模型如下：

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

test_dataset = load_dataset("common_voice", "tr", split="test")
wer = load_metric("wer")

processor = Wav2Vec2Processor.from_pretrained("ceyda/wav2vec2-base-960-turkish")
model = Wav2Vec2ForCTC.from_pretrained("ceyda/wav2vec2-base-960-turkish")
model.to("cuda")

chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“\‘\”\'\`…\’»«]'
resampler = torchaudio.transforms.Resample(48_000, 16_000)

# 数据预处理。
# 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)

# 数据预处理。
# 我们需要将音频文件读取为数组

# 未使用注意力掩码，因为基础模型未使用其进行训练。参考: https://github.com/huggingface/transformers/blob/403d530eec105c0e229fc2b754afdf77a4439def/src/transformers/models/wav2vec2/tokenization_wav2vec2.py#L305
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")).logits

    pred_ids = torch.argmax(logits, dim=-1)
    batch["pred_strings"] = processor.batch_decode(pred_ids,skip_special_tokens=True)
    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:

• WER: 22.602390
• CER: 6.054137

训练

使用了Common Voice的train和validation数据集进行训练。

训练脚本可以在这里找到。