许可证：apache-2.0
语言：

• 日语
  标签：
• 自动语音识别
• 公共语音数据集
• hf-asr排行榜
• 日语
• 鲁棒语音事件
  数据集：
• mozilla-foundation/common_voice_7_0

模型索引：

• 名称：wav2vec2-xls-r-1b
  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 7.0
    类型：mozilla-foundation/common_voice_7_0
    参数：ja
    指标：
    • 名称：测试WER（带语言模型）
      类型：wer
      值：7.98
    • 名称：测试CER（带语言模型）
      类型：cer
      值：3.42
  • 任务：
    名称：语音识别
    类型：自动语音识别
    数据集：
    名称：Common Voice 8.0
    类型：mozilla-foundation/common_voice_8_0
    参数：ja
    指标：
    • 名称：测试WER（带语言模型）
      类型：wer
      值：7.88
    • 名称：测试CER（带语言模型）
      类型：cer
      值：3.35
  • 任务：
    名称：语音识别
    类型：自动语音识别
    数据集：
    名称：鲁棒语音事件 - 开发数据
    类型：speech-recognition-community-v2/dev_data
    参数：ja
    指标：
    • 名称：测试WER（带语言模型）
      类型：wer
      值：28.07
    • 名称：测试CER（带语言模型）
      类型：cer
      值：16.27
  • 任务：
    名称：自动语音识别
    类型：自动语音识别
    数据集：
    名称：鲁棒语音事件 - 测试数据
    类型：speech-recognition-community-v2/eval_data
    参数：ja
    指标：
    • 名称：测试CER
      类型：cer
      值：19.89

模型描述

该模型是基于facebook/wav2vec2-xls-r-1b在公共日语语音数据集上进行微调的版本，包括Common Voice 7.0、JUST（东京大学Saruwatari实验室的日语语音语料库）、JSSS（用于摘要和简化的日语语音语料库）以及CSS10（单说话人语音数据集集合）。预处理数据集可在VUMICHIEN/COMMON_VOICE_LARGE_JSUT_JSSS_CSS10中找到。

总训练数据：

约60小时

基准WER结果：

基准CER结果：

评估

请使用eval.py文件运行评估：

pip install mecab-python3 unidic-lite pykakasi  
python eval.py --model_id vumichien/wav2vec2-xls-r-1b-japanese --dataset mozilla-foundation/common_voice_7_0 --config ja --split test --chunk_length_s 5.0 --stride_length_s 1.0 --log_outputs  

训练过程

训练超参数

训练过程中使用的超参数如下：

• 学习率：5e-05
• 训练批次大小：16
• 评估批次大小：8
• 随机种子：42
• 梯度累积步数：4
• 总训练批次大小：64
• 优化器：Adam，参数为betas=(0.9,0.999)和epsilon=1e-08
• 学习率调度器类型：线性
• 学习率预热步数：1000
• 训练轮数：100.0
• 混合精度训练：原生AMP

训练结果

框架版本

• Transformers 4.16.0.dev0
• Pytorch 1.10.1+cu102
• Datasets 1.17.1.dev0
• Tokenizers 0.11.0