许可证：apache-2.0
语言：芬兰语
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
• 训练生成
• hf-asr排行榜
• 鲁棒语音事件
  数据集：
• mozilla-foundation/common_voice_7_0

模型索引：

• 名称：wav2vec2-xlsr-1b-finnish-lm-v2
  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：测试词错误率
      类型：wer
      值：4.09
    • 名称：测试字符错误率
      类型：cer
      值：0.88

芬兰语ASR的Wav2Vec2 XLS-R模型

该声学模型是基于facebook/wav2vec2-xls-r-1b针对芬兰语自动语音识别（ASR）任务进行微调的版本。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模型在此论文中首次提出，并在此页面发布。

此仓库还包含在声学模型解码阶段使用的芬兰语KenLM语言模型。

注意：此模型与Finnish-NLP/wav2vec2-xlsr-1b-finnish-lm-v2完全相同，仅被复制/移动到Finnish-NLP的Hugging Face组织下。

模型描述

Wav2Vec2 XLS-R是Facebook AI推出的大规模多语言预训练语音模型。它在43.6万小时的无标注语音数据上进行预训练，包括VoxPopuli、MLS、CommonVoice、BABEL和VoxLingua107等数据集，覆盖128种语言，采用wav2vec 2.0目标函数。

更多预训练模型的细节可参考此博客和此论文。

本模型是基于10亿参数预训练模型针对芬兰语ASR任务的微调版本。

用途与限制

此模型适用于芬兰语语音转文本（ASR）任务。

使用方法

参考仓库中的run-finnish-asr-models.ipynb笔记本，了解详细使用示例。

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。虽然也可尝试处理更长音频，但若出现内存不足错误，可参考此博客介绍的音频分块方法。

微调数据主要来自芬兰议会数据集，可能对日常口语或方言等差异较大的领域泛化能力有限。此外，数据以成年男性语音为主，可能对儿童或女性语音的识别效果有所下降。

解码阶段使用的芬兰语KenLM语言模型基于音频转录文本和芬兰维基百科子集训练，因此可能对非正式口语或方言的适应性不足。建议针对特定领域语言训练自定义KenLM模型以优化解码效果。

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：

所有数据集均过滤为最长20秒的音频样本。

训练过程

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

训练脚本由Hugging Face提供，此处可获取。我们仅修改了数据加载部分以适配自定义数据集。

KenLM语言模型训练遵循Hugging Face的博客教程，使用音频训练文本和10万条清洗后的芬兰维基百科（2021年8月）样本训练5-gram模型。

训练超参数

训练使用以下超参数：

• 学习率：5e-05
• 训练批次大小：32
• 评估批次大小：8
• 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
• 学习率预热步数：500
• 训练轮次：10
• 混合精度训练：原生AMP

预训练facebook/wav2vec2-xls-r-1b模型初始化超参数：

• 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
• 层丢弃率：0.041
• 激活丢弃率：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-1b-finnish-lm-v2 --dataset mozilla-foundation/common_voice_7_0 --config fi --split test

该模型（表格首行）与其他模型对比的词错误率（WER）和字符错误率（CER）结果：

团队成员

• Aapo Tanskanen，Hugging Face主页，LinkedIn主页
• Rasmus Toivanen，Hugging Face主页，LinkedIn主页

欢迎随时联系我们获取更多细节 🤗