语言: ca 数据集:

• 通用语音
• 议会发言 评估指标:
• 词错误率(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: 加泰罗尼亚语XLSR Wav2Vec2大型模型 结果:
  • 任务: 名称: 语音识别 类型: 自动语音识别 数据集:
    • 名称: 通用语音加泰罗尼亚语 类型: common_voice 参数: ca
    • 名称: ParlamentParla URL: https://www.openslr.org/59/ 评估指标:
    • 名称: 测试集WER 类型: wer 值: 6.92
    • 名称: 谷歌众包语料库WER 类型: wer 值: 12.99
    • 名称: 有声书《圣乔治传说》WER 类型: wer 值: 13.23

Wav2Vec2-Large-XLSR-加泰罗尼亚语

基于facebook/wav2vec2-large-xlsr-53模型，使用通用语音和ParlamentParla数据集对加泰罗尼亚语进行微调。

注意: 训练/开发/测试集的划分并未完全对应CommonVoice 6.1数据集。采用了结合CommonVoice和ParlamentParla数据集的定制划分方案，具体可见此处。在CV测试集上评估会产生有偏差的WER，因为该数据集中有1144个音频文件被用于本模型的训练/评估。WER是通过此测试集计算的，该测试集在训练/评估过程中未被模型接触。

训练和评估脚本可在GitHub仓库ccoreilly/wav2vec2-catala中找到。

使用本模型时，请确保语音输入采样率为16kHz。

结果

词错误率在以下模型未见过的数据集上评估：

使用方式

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("common_voice", "ca", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("ccoreilly/wav2vec2-large-xlsr-catala") 
model = Wav2Vec2ForCTC.from_pretrained("ccoreilly/wav2vec2-large-xlsr-catala")

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["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])