语言:

• 阿姆哈拉语 许可证: MIT 标签:
• 自动语音识别
• 语音 评估指标:
• 词错误率(WER)
• 字符错误率(CER) 任务标签: 自动语音识别

基于微调Wav2vec2 XLSR-53的阿姆哈拉语ASR模型

本模型是在facebook/wav2vec2-large-xlsr-53基础上，使用阿姆哈拉语语音语料库进行微调的版本。该语料库由Abate等人(2005)构建(10.21437/Interspeech.2005-467)。

在阿姆哈拉语朗读语音数据的验证集上，该模型取得了26%的词错误率和7%的字符错误率。

使用方法

可通过以下方式使用本模型：

import librosa
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

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

audio, _ = librosa.load("/音频文件路径/audio.wav", sr=16000)

input_values = processor(
    audio.squeeze(),
    sampling_rate=16000,
    return_tensors="pt"
).input_values

model.eval()
with torch.no_grad():
    logits = model(input_values).logits
    preds = logits.argmax(-1)
    texts = processor.batch_decode(preds)
print(texts[0])

训练过程

训练本模型的代码可在https://github.com/agkphysics/amharic-asr获取。