🚀 wav2vec2-large-xls-r-1b-cv8-mt

本模型是一个基于 facebook/wav2vec2-xls-r-1b 在 common_voice 数据集上微调的版本。它能解决自动语音识别的问题，在评估集上有较好的表现，为语音识别任务提供了有效的解决方案。

🚀 快速开始

本模型是 facebook/wav2vec2-xls-r-1b 在 common_voice 数据集上的微调版本，在评估集上取得了以下结果：

• 损失值：0.2210
• 词错误率（Wer）：0.1974

✨ 主要特性

• 多任务支持：适用于自动语音识别任务。
• 数据集适配：基于 mozilla-foundation/common_voice_8_0 数据集训练。
• 评估指标良好：在测试集上有一定的词错误率（WER）和字符错误率（CER）表现。

📦 详细文档

模型描述

注意：此模型还有一个搭配 KenLM 3gram 模型的版本，该版本表现更优。详情见 https://huggingface.co/RuudVelo/wav2vec2-large-xls-r-1b-cv8-mt-lm

预期用途与限制

更多信息待补充。

训练和评估数据

更多信息待补充。

训练过程

训练超参数

训练期间使用了以下配置和超参数：

model = Wav2Vec2ForCTC.from_pretrained(
    "facebook/wav2vec2-xls-r-1b", 
    attention_dropout=0.05,
    hidden_dropout=0.05,
    feat_proj_dropout=0.05,
    mask_time_prob=0.55,
    mask_feature_prob=0.10,
    layerdrop=0.05,
    ctc_zero_infinity=True,
    ctc_loss_reduction="mean", 
    pad_token_id=processor.tokenizer.pad_token_id,
    vocab_size=len(processor.tokenizer),
)

from transformers import TrainingArguments

training_args = TrainingArguments(
  output_dir=repo_name,
  group_by_length=True,
  per_device_train_batch_size=32,
  gradient_accumulation_steps=2,
  evaluation_strategy="steps",
  num_train_epochs=50,
  gradient_checkpointing=True,
  fp16=True,
  save_steps=400,
  eval_steps=400,
  logging_steps=400,
  learning_rate=5.5e-05, 
  warmup_steps=500,
  save_total_limit=2,
  push_to_hub=True, 
  report_to="tensorboard")

训练结果

请注意，测试词错误率（WER）为 19.74%，与上述报告的 17.57% 不同。这是由于在使用旧版本的数据集库处理文件时发现了一个错误。正确的库版本如下。

框架版本

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

📄 许可证

本模型采用 Apache-2.0 许可证。

📋 模型信息表格