语言: ka

数据集:

• 通用语音
  指标:
• 词错误率(WER) 标签:
• 音频
• 自动语音识别
• 语音
• XLSR微调周 许可证: Apache-2.0 模型索引:
• 名称: 格鲁吉亚语WAV2VEC2代托纳 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ka 类型: common_voice 参数: ka 指标:
    • 名称: 测试WER 类型: wer 值: 48.34

Wav2Vec2-Large-XLSR-53-格鲁吉亚语

基于facebook/wav2vec2-large-xlsr-53模型，使用通用语音数据集对格鲁吉亚语进行微调。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：

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

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

processor = Wav2Vec2Processor.from_pretrained("Temur/wav2vec2-Georgian-Daytona") 
model = Wav2Vec2ForCTC.from_pretrained("Temur/wav2vec2-Georgian-Daytona")

resampler = torchaudio.transforms.Resample(48_000, 16_000)

# 数据预处理
# 需将音频文件读取为数组
def speech_file_to_array_fn(batch):
\\t语音数组, 采样率 = torchaudio.load(batch["路径"])
\\tbatch["语音"] = resampler(语音数组).squeeze().numpy()
\\treturn batch

test_dataset = test_dataset.map(speech_file_to_array_fn)
inputs = processor(test_dataset["语音"][:2], sampling_rate=16_000, return_tensors="pt", padding=True)

with torch.no_grad():
\\tlogits = 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["句子"][:2])

评估

可按如下方式在通用语音的格鲁吉亚语测试数据上评估模型性能。

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

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

processor = Wav2Vec2Processor.from_pretrained("Temur/wav2vec2-Georgian-Daytona") 
model = Wav2Vec2ForCTC.from_pretrained("Temur/wav2vec2-Georgian-Daytona")
model.to("cuda")

需忽略的特殊字符正则 = '[\\\\,\\\\?\\\\.\\\\!\\\\-\\\\;\\\\:\\\\"\\\\“]'  # 注意：请根据数据清洗情况调整此列表
resampler = torchaudio.transforms.Resample(48_000, 16_000)

# 数据预处理
# 需将音频文件读取为数组
def speech_file_to_array_fn(batch):
\\tbatch["句子"] = re.sub(需忽略的特殊字符正则, '', batch["句子"]).lower()
\\t语音数组, 采样率 = torchaudio.load(batch["路径"])
\\tbatch["语音"] = resampler(语音数组).squeeze().numpy()
\\treturn batch

test_dataset = test_dataset.map(speech_file_to_array_fn)

# 评估函数
def evaluate(batch):
\\tinputs = processor(batch["语音"], sampling_rate=16_000, return_tensors="pt", padding=True)

\\twith torch.no_grad():
\\t\\tlogits = model(inputs.input_values.to("cuda"), attention_mask=inputs.attention_mask.to("cuda")).logits

\\t预测id = torch.argmax(logits, dim=-1)
\\tbatch["预测文本"] = processor.batch_decode(预测id)
\\treturn batch

result = test_dataset.map(evaluate, batched=True, batch_size=8)

print("词错误率: {:2f}".format(100 * wer.compute(predictions=result["预测文本"], references=result["句子"])))

测试结果: 48.34%

训练过程

使用通用语音的训练集、验证集及...等数据集进行训练（请根据实际情况补充完整训练数据集说明）。

训练脚本详见此处