许可证：apache-2.0
语言：fi
评估指标：

• 词错误率（wer）
• 字符错误率（cer）

标签：

• 自动语音识别
• 芬兰语
• 芬兰文
• 训练生成
• hf-asr排行榜
• 鲁棒语音赛事

数据集：

• mozilla-foundation/common_voice_7_0

模型索引：

• 名称：wav2vec2-xlsr-300m-finnish
  结果：
  • 任务：
    名称：自动语音识别
    类型：automatic-speech-recognition
    数据集：
    名称：Common Voice 7
    类型：mozilla-foundation/common_voice_7_0
    参数：fi
    评估指标：
    • 名称：测试WER
      类型：wer
      值：17.92
    • 名称：测试CER
      类型：cer
      值：3.36

芬兰语ASR的Wav2Vec2 XLS-R模型

本声学模型是基于facebook/wav2vec2-xls-r-300m针对芬兰语自动语音识别（ASR）任务微调后的版本。模型使用了275.6小时的芬兰语标注语音数据进行微调。Wav2Vec2 XLS-R模型由此论文首次提出，并在此页面发布。

注意：解码阶段结合KenLM语言模型的版本能生成更优的转录结果，参见：Finnish-NLP/wav2vec2-xlsr-300m-finnish-lm

模型描述

Wav2Vec2 XLS-R是Facebook AI研发的大规模多语言预训练语音模型，基于43.6万小时无标注语音数据（含VoxPopuli、MLS、CommonVoice、BABEL及VoxLingua107）预训练，采用wav2vec 2.0目标函数，支持128种语言。

关于预训练模型的更多信息，可参阅此博客和此论文。

本模型为预训练模型（3亿参数版本）针对芬兰语ASR的微调版本。

用途与限制

此模型适用于芬兰语语音转文本任务。

使用方法

参考本仓库中的run-finnish-asr-models.ipynb笔记本，获取详细使用示例。

限制与偏差

模型微调时使用的音频样本最长20秒，因此对类似长度的短音频效果最佳。但也可尝试处理更长音频，若遇内存不足问题，可参考此博客的音频分块方法。

微调数据绝大部分来自芬兰议会数据集，可能对日常方言等场景泛化能力有限。此外，数据以成年男性语音为主，对儿童或女性语音的识别效果可能欠佳。

训练数据

模型使用275.6小时芬兰语标注语音数据微调，数据来源如下：

所有数据集经筛选，仅包含最长20秒的音频样本。

训练流程

模型在Hugging Face组织的鲁棒语音挑战赛中训练，由OVHcloud赞助Tesla V100 GPU算力。

训练脚本由Hugging Face提供，源码在此，仅针对自定义数据集修改了数据加载逻辑。

超参数配置

训练超参数：

• 学习率：5e-04
• 训练批大小：32
• 评估批大小：32
• 随机种子：42
• 优化器：8-bit Adam，betas=(0.9,0.999)，epsilon=1e-08
• 学习率调度器类型：线性
• 预热步数：500
• 训练轮次：10
• 混合精度训练：原生AMP

预训练模型facebook/wav2vec2-xls-r-300m初始化参数：

• 注意力丢弃率：0.094
• 隐藏层丢弃率：0.047
• 特征投影丢弃率：0.04
• 掩码时间概率：0.082
• 层级丢弃率：0.041
• 激活函数丢弃率：0.055
• CTC损失缩减方式："mean"

训练结果

框架版本

• Transformers 4.17.0.dev0
• PyTorch 1.10.2+cu102
• Datasets 1.18.3
• Tokenizers 0.11.0

评估结果

使用Common Voice 7.0芬兰语测试集评估。

运行仓库中的eval.py脚本进行评估：

python3 eval.py --model_id aapot/wav2vec2-xlsr-300m-finnish --dataset mozilla-foundation/common_voice_7_0 --config fi --split test  

本模型（表格第三行）与其他模型对比结果：

团队成员

• 阿波·坦斯卡宁（Aapo Tanskanen），Hugging Face主页，LinkedIn主页
• 拉斯穆斯·托伊瓦宁（Rasmus Toivanen），Hugging Face主页，LinkedIn主页

欢迎联系我们获取更多细节 🤗