语言: 英语 数据集:

• 通用语音 评估指标:
• 词错误率(WER) 标签:
• 音频
• 自动语音识别
• 语音 许可证: Apache-2.0 模型索引:
• 名称: 英语XLSR Wav2Vec2大型53带标点模型 结果:
  • 任务: 名称: 语音识别 类型: 自动语音识别 数据集: 名称: 通用语音英语版 类型: common_voice 参数: en 指标:
    • 名称: 测试WER 类型: wer 值: 1.0

Wav2Vec2大型XLSR-53英语版

基于facebook/wav2vec2-large-xlsr-53在{语言}上使用通用语音数据集进行微调。使用该模型时，请确保语音输入采样率为16kHz。

使用方法

该模型可直接使用（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", "{语言代码}", split="test[:2%]") #TODO: 将{语言代码}替换为你的语言代码。确保代码是[此链接](https://huggingface.co/languages)中的*ISO代码*之一。

processor = Wav2Vec2Processor.from_pretrained("{模型ID}") #TODO: 将{模型ID}替换为你的模型ID。模型ID格式为{你的用户名}/{你的模型名}，例如`elgeish/wav2vec2-large-xlsr-53-arabic`
model = Wav2Vec2ForCTC.from_pretrained("{模型ID}") #TODO: 同上替换模型ID

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):
\tspeech_array, sampling_rate = torchaudio.load(batch["path"])
\tbatch["speech"] = resampler(speech_array).squeeze().numpy()
\treturn 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():
\tlogits = 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

可在通用语音的{语言}测试数据上评估模型如下： # TODO: 将语言替换为你的{语言}，例如法语

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

test_dataset = load_dataset("common_voice", "{语言代码}", split="test") #TODO: 替换{语言代码}
wer = load_metric("wer")

processor = Wav2Vec2Processor.from_pretrained("{模型ID}") #TODO: 替换模型ID
model = Wav2Vec2ForCTC.from_pretrained("{模型ID}") #TODO: 替换模型ID
model.to("cuda")

chars_to_ignore_regex = '[\\,\\?\\.\\!\\-\\;\\:\\"\\“]'  # TODO: 根据数据中移除的特殊字符调整此列表
resampler = torchaudio.transforms.Resample(48_000, 16_000)

# 数据预处理
def speech_file_to_array_fn(batch):
\tbatch["sentence"] = re.sub(chars_to_ignore_regex, '', batch["sentence"]).lower()
\tspeech_array, sampling_rate = torchaudio.load(batch["path"])
\tbatch["speech"] = resampler(speech_array).squeeze().numpy()
\treturn batch

test_dataset = test_dataset.map(speech_file_to_array_fn)

def evaluate(batch):
\tinputs = processor(batch["speech"], sampling_rate=16_000, return_tensors="pt", padding=True)

\twith torch.no_grad():
\t\tlogits = model(inputs.input_values.to("cuda"), attention_mask=inputs.attention_mask.to("cuda")).logits

\tpred_ids = torch.argmax(logits, dim=-1)
\tbatch["pred_strings"] = processor.batch_decode(pred_ids)
\treturn 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: XX.XX% # TODO: 在此处填写打印输出结果。重要提示：请记得同时将顶部的{wer_result_on_test}替换为此处的值。

训练

使用了通用语音的train、validation等数据集进行训练，以及...和... # TODO: 说明所有用于训练的数据集。

训练脚本可在此处找到 # TODO: 在此处填写训练脚本链接。如果在colab中训练模型，直接填写链接即可。如果本地训练模型，建议将训练脚本上传至github后粘贴链接。