语言:

• as 许可证: apache-2.0 标签:
• 自动语音识别
• hf-asr-leaderboard
• 鲁棒语音事件 数据集:
• mozilla-foundation/common_voice_7_0 评估指标:
• 词错误率(WER) 模型索引:
• 名称: wav2vec2-large-xls-r-300m-as 结果:
  • 任务: 类型: 自动语音识别 名称: 语音识别 数据集: 类型: mozilla-foundation/common_voice_7_0 名称: Common Voice 7 参数: as 指标:
    • 类型: 词错误率(WER) 值: 56.995 名称: 测试集词错误率
    • 名称: 测试集字错误率(CER) 类型: 字错误率(CER) 值: 20.39

wav2vec2-large-xls-r-300m-as

本模型是基于facebook/wav2vec2-xls-r-300m在common_voice数据集上微调的版本。在评估集上取得以下结果：

• 损失值: 1.9068
• 词错误率: 0.6679

模型描述

需补充更多信息

用途与限制

需补充更多信息

训练与评估数据

需补充更多信息

训练流程

训练超参数

训练过程中使用的超参数如下：

• 学习率: 0.0003
• 训练批次大小: 16
• 评估批次大小: 8
• 随机种子: 42
• 梯度累积步数: 2
• 总训练批次大小: 32
• 优化器: Adam（β1=0.9，β2=0.999，ε=1e-08）
• 学习率调度器类型: 线性
• 学习率预热比例: 0.12
• 训练轮数: 240

训练结果

框架版本

• Transformers 4.16.0
• Pytorch 1.10.0+cu111
• Datasets 1.17.0
• Tokenizers 0.10.3

评估命令

1. 在mozilla-foundation/common_voice_7_0数据集的test分割上进行评估：

python eval.py --model_id anuragshas/wav2vec2-large-xls-r-300m-as --dataset mozilla-foundation/common_voice_7_0 --config as --split test

结合语言模型的推理

import torch
from datasets import load_dataset
from transformers import AutoModelForCTC, AutoProcessor
import torchaudio.functional as F
model_id = "anuragshas/wav2vec2-large-xls-r-300m-as"
sample_iter = iter(load_dataset("mozilla-foundation/common_voice_7_0", "as", split="test", streaming=True, use_auth_token=True))
sample = next(sample_iter)
resampled_audio = F.resample(torch.tensor(sample["audio"]["array"]), 48_000, 16_000).numpy()
model = AutoModelForCTC.from_pretrained(model_id)
processor = AutoProcessor.from_pretrained(model_id)
input_values = processor(resampled_audio, return_tensors="pt").input_values
with torch.no_grad():
    logits = model(input_values).logits
transcription = processor.batch_decode(logits.numpy()).text
# => "জাহাজত তো তিশকুৰলৈ যাব কিন্তু জহাজিটো আহিপনে"

Common Voice 7测试集评估结果（词错误率）：