语言: 芬兰语
数据集:

• 通用语音库
• CSS10
• 芬兰议会会议记录第二期

评估指标:

• 词错误率(WER)

标签:

• 音频
• 自动语音识别
• 语音
• XLSR微调周

许可协议: Apache-2.0

模型索引:

• 名称: 芬兰语XLSR Wav2Vec2大模型53版
  结果:
  • 任务:
    名称: 语音识别
    类型: 自动语音识别
    数据集:
    名称: 通用语音库芬兰语版
    类型: common_voice
    参数: fi
    指标:
    • 名称: 测试WER
      类型: wer
      值: 35.43

Wav2Vec2大模型-XLSR-53-芬兰语版

基于facebook/wav2vec2-large-xlsr-53模型，使用通用语音库、CSS10和芬兰议会会议记录第二期数据集对芬兰语进行微调。

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），如下所示：

import numpy as np  
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("Tommi/wav2vec2-large-xlsr-53-finnish")  
model = Wav2Vec2ForCTC.from_pretrained("Tommi/wav2vec2-large-xlsr-53-finnish")  

resampler = lambda sr, y: librosa.resample(y.squeeze(), sr, 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):  
    speech_array, sampling_rate = torchaudio.load(batch["path"])  
    batch["speech"] = resampler(sampling_rate, speech_array.numpy()).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("预测结果:", processor.batch_decode(predicted_ids))  
print("参考文本:", test_dataset["sentence"][:2])  

评估

可在通用语音库芬兰语测试数据上按如下方式评估模型：

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("Tommi/wav2vec2-large-xlsr-53-finnish")  
model = Wav2Vec2ForCTC.from_pretrained("Tommi/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)  

# 数据预处理  
# 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)  

# 评估函数  
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: 35.43%

训练

训练使用了通用语音库的train、validation和other数据集，以及CSS10和芬兰议会会议记录第二期。

训练脚本链接在此 # 待补充：请在此处填写训练脚本链接。如果在colab中训练模型，直接在此处填写链接。如果在本地训练模型，建议将训练脚本上传至github并在此处粘贴链接。