语言: 芬兰语
数据集:

• common_voice
  评估指标:
• 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: Aapo Tanskanen的XLSR Wav2Vec2芬兰语模型
  结果:
  • 任务:
    名称: 语音识别
    类型: automatic-speech-recognition
    数据集:
    名称: Common Voice芬兰语
    类型: common_voice
    参数: fi
    指标:
    • 名称: 测试WER
      类型: wer
      值: 32.378771

注意：这是一个旧模型，不应再使用！！我们组织中心提供了许多更好的新模型：Finnish-NLP/wav2vec2-xlsr-1b-finnish-lm-v2 和 Finnish-NLP/wav2vec2-xlsr-300m-finnish-lm

Wav2Vec2-Large-XLSR-53-芬兰语

基于facebook/wav2vec2-large-xlsr-53在芬兰语上微调，使用了Common Voice、CSS10 Finnish和芬兰议会会议2数据集。使用此模型时，请确保语音输入采样率为16kHz。

使用方法

该模型可以直接使用（无需语言模型）如下：

import librosa
import torch
import torchaudio
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

test_dataset = load_dataset("common_voice", "fi", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("aapot/wav2vec2-large-xlsr-53-finnish")
model = Wav2Vec2ForCTC.from_pretrained("aapot/wav2vec2-large-xlsr-53-finnish")

resampler = lambda sr, y: librosa.resample(y.numpy().squeeze(), sr, 16_000)

# 预处理数据集。
# 我们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(sampling_rate, speech_array).squeeze()
    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:", processor.batch_decode(predicted_ids))
print("参考:", test_dataset["sentence"][:2])

评估

该模型可以在Common Voice的芬兰语测试数据上进行如下评估。

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

test_dataset = load_dataset("common_voice", "fi", split="test")
wer = load_metric("wer")

processor = Wav2Vec2Processor.from_pretrained("aapot/wav2vec2-large-xlsr-53-finnish")
model = Wav2Vec2ForCTC.from_pretrained("aapot/wav2vec2-large-xlsr-53-finnish")
model.to("cuda")

chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“\%\‘\”\�\'\...\…\–\é]'
resampler = lambda sr, y: librosa.resample(y.numpy().squeeze(), sr, 16_000)

# 预处理数据集。
# 我们需要将音频文件读取为数组
def speech_file_to_array_fn(batch):
  batch["sentence"] = re.sub(chars_to_ignore_regex, '', batch["sentence"]).lower()
  speech_array, sampling_rate = torchaudio.load(batch["path"])
  batch["speech"] = resampler(sampling_rate, speech_array).squeeze()
  return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)

# 预处理数据集。
# 我们需要将音频文件读取为数组
def evaluate(batch):
  inputs = processor(batch["speech"], sampling_rate=16_000, return_tensors="pt", padding=True)

  with torch.no_grad():
    logits = model(inputs.input_values.to("cuda"), attention_mask=inputs.attention_mask.to("cuda")).logits

  pred_ids = torch.argmax(logits, dim=-1)
  batch["pred_strings"] = processor.batch_decode(pred_ids)
  return 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: 32.378771 %

训练

训练使用了Common Voice的train、validation和other数据集，以及CSS10 Finnish和芬兰议会会议2数据集。

训练脚本可在Google Colab中找到。