语言: 葡萄牙语 数据集:

• 公共语音数据集 评估指标:
• 词错误率(WER) 标签:
• 音频
• 语音识别
• wav2vec2模型
• 葡萄牙语(pt)
• Apache-2.0许可
• 葡萄牙语语音语料库
• 自动语音识别
• 语音处理
• XLSR微调周项目
• PyTorch框架 许可证: Apache-2.0 模型索引:
• 名称: Rubens XLSR Wav2Vec2大模型53葡萄牙语版 结果:
  • 任务: 名称: 语音识别 类型: 自动语音识别 数据集: 名称: 公共语音葡萄牙语数据集 类型: common_voice 参数: pt 评估指标:
    • 名称: 测试词错误率 类型: wer 值: 19.30%

Wav2Vec2大模型XLSR-53葡萄牙语版

基于facebook/wav2vec2-large-xlsr-53模型，使用公共语音数据集的葡萄牙语数据进行了微调。

使用方法

该模型可以直接使用（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", "pt", split="test[:2%]") 

processor = Wav2Vec2Processor.from_pretrained("Rubens/Wav2Vec2-Large-XLSR-53-a-Portuguese")
model = Wav2Vec2ForCTC.from_pretrained("Rubens/Wav2Vec2-Large-XLSR-53-a-Portuguese")

resampler = torchaudio.transforms.Resample(48_000, 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):
\tspeech_array, sampling_rate = torchaudio.load(batch["path"])
\tbatch["speech"] = resampler(speech_array).squeeze().numpy()
\treturn 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():
\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["sentence"][:2])

评估

可以在公共语音数据集的葡萄牙语测试数据上评估该模型如下：

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

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

processor = Wav2Vec2Processor.from_pretrained("Rubens/Wav2Vec2-Large-XLSR-53-a-Portuguese")
model = Wav2Vec2ForCTC.from_pretrained("Rubens/Wav2Vec2-Large-XLSR-53-a-Portuguese")
model.to("cuda")

chars_to_ignore_regex = '[\\,\\?\\.\\!\\-\\;\\:\\"\\“]'  # 需要根据实际移除的特殊字符调整此列表
resampler = torchaudio.transforms.Resample(48_000, 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):
\tbatch["sentence"] = re.sub(chars_to_ignore_regex, '', batch["sentence"]).lower()
\tspeech_array, sampling_rate = torchaudio.load(batch["path"])
\tbatch["speech"] = resampler(speech_array).squeeze().numpy()
\treturn batch

test_dataset = test_dataset.map(speech_file_to_array_fn)

# 评估函数
def evaluate(batch):
\tinputs = processor(batch["speech"], 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

  pred_ids = torch.argmax(logits, dim=-1)
\tbatch["pred_strings"] = processor.batch_decode(pred_ids)
\treturn batch

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

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

测试结果(词错误率): 19.30%

训练过程

使用了公共语音数据集的训练集和验证集进行训练。

训练脚本可在以下地址找到: https://github.com/RubensZimbres/wav2vec2/blob/main/fine-tuning.py