语言: el #TODO: 在此处替换为你的语言代码{lang_id}。确保代码是此网站上的ISO代码之一。 数据集:

• common_voice #TODO: 如果未使用Common Voice数据集，请移除此项
• CSS10 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: 希腊语XLSR Wav2Vec2大模型53 - CV + CSS10 #TODO: 将{human_readable_name}替换为你的模型名称，它将出现在排行榜上。可以是类似Elgeish XLSR Wav2Vec2大模型53的形式 结果:
  • 任务: 名称: 语音识别 类型: 自动语音识别 数据集: 名称: Common Voice el #TODO: 在此处替换为你的语言代码{lang_id}。确保代码是此网站上的ISO代码之一。 类型: common_voice 参数: el #TODO: 在此处替换为你的语言代码{lang_id}。确保代码是此网站上的ISO代码之一。 评估指标:
    • 名称: 测试WER 类型: wer 值: 20.89 #TODO (重要): 将{wer_result_on_test}替换为你在Common Voice测试集上达到的WER错误率。格式应为XX.XX（此处不要添加%符号）。请记住在评估模型后填写此值，以便你的模型出现在排行榜上。如果在评估模型之前填写此模型卡，请记得之后编辑模型卡以填入你的值

Wav2Vec2-Large-XLSR-53-希腊语

基于facebook/wav2vec2-large-xlsr-53在希腊语上使用Common Voice和CSS10数据集进行微调。使用此模型时，请确保你的语音输入采样率为16kHz。

使用方法

该模型可以直接使用（无需语言模型）如下：

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

test_dataset = load_dataset("common_voice", "el", split="test") 

processor = Wav2Vec2Processor.from_pretrained("PereLluis13/wav2vec2-large-xlsr-53-greek") 
model = Wav2Vec2ForCTC.from_pretrained("PereLluis13/wav2vec2-large-xlsr-53-greek")

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

# 数据预处理。
# 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(speech_array).squeeze().numpy()
    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

可以在Common Voice的希腊语测试数据上评估模型如下：

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

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

processor = Wav2Vec2Processor.from_pretrained("PereLluis13/wav2vec2-large-xlsr-53-greek") 
model = Wav2Vec2ForCTC.from_pretrained("PereLluis13/wav2vec2-large-xlsr-53-greek") 
model.to("cuda")

chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“\%\‘\”\�]'


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

# 数据预处理。
# 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(speech_array).squeeze().numpy()
    return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)

# 数据预处理。
# 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: 20.89 %

训练

使用了Common Voice的train、validation和CSS10数据集进行训练，将CSS10数据集作为extra分割添加到数据集中。CSS10文件的采样率和格式不同，因此更改了speech_file_to_array_fn函数为：

    def speech_file_to_array_fn(batch):
        try:
            speech_array, sampling_rate = sf.read(batch["path"] + ".wav")
        except:
            speech_array, sampling_rate = librosa.load(batch["path"], sr = 16000, res_type='zero_order_hold')
            sf.write(batch["path"] + ".wav", speech_array, sampling_rate, subtype='PCM_24')
        batch["speech"] = speech_array
        batch["sampling_rate"] = sampling_rate
        batch["target_text"] = batch["text"]
        return batch

由Florian Zimmermeister建议。

训练使用的脚本可以在run_common_voice.py中找到，仍在等待PR。唯一的更改是对speech_file_to_array_fn的修改。批量大小保持在32（使用gradient_accumulation_steps），使用的是OVH的一台机器，配备V100 GPU（非常感谢OVH）。模型训练了40个周期，前20个周期使用train+validation分割，然后在第20个周期添加了包含CSS10数据的extra分割。