语言: 波斯语
数据集:

• common_voice
  标签:
• 音频
• 自动语音识别
• 语音
• xlsr-微调周
  许可证: apache-2.0
  小部件:
• 标签: Common Voice 样本 4024
  来源: https://huggingface.co/m3hrdadfi/wav2vec2-large-xlsr-persian-v2/resolve/main/sample4024.flac
• 标签: Common Voice 样本 4084
  来源: https://huggingface.co/m3hrdadfi/wav2vec2-large-xlsr-persian-v2/resolve/main/sample4084.flac
  模型索引:
• 名称: 由Mehrdad Farahani开发的XLSR Wav2Vec2波斯语（波斯语）V2
  结果:
  • 任务:
    名称: 语音识别
    类型: automatic-speech-recognition
    数据集:
    名称: Common Voice fa
    类型: common_voice
    参数: fa
    指标:
    • 名称: 测试WER
      类型: wer
      值: 31.92

Wav2Vec2-Large-XLSR-53-波斯语 V2

基于facebook/wav2vec2-large-xlsr-53在波斯语（波斯语）上使用Common Voice进行微调。使用此模型时，请确保您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：

要求

# 所需包  
!pip install git+https://github.com/huggingface/datasets.git  
!pip install git+https://github.com/huggingface/transformers.git  
!pip install torchaudio  
!pip install librosa  
!pip install jiwer  
!pip install hazm  

预测

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

import numpy as np  
import hazm  
import re  
import string  

import IPython.display as ipd  

_normalizer = hazm.Normalizer()  

chars_to_ignore = [  
    ",", "?", ".", "!", "-", ";", ":", '""', "%", "'", '"', "�",  
    "#", "!", "؟", "?", "«", "»", "،", "(", ")", "؛", "'ٔ", "٬",'ٔ', ",", "?",   
    ".", "!", "-", ";", ":",'"',"“", "%", "‘", "”", "�", "–", "…", "_", "”", '“', '„',  
    'ā', 'š',  
    # "ء",   
]  

# 对于波斯语  
chars_to_ignore = chars_to_ignore + list(string.ascii_lowercase + string.digits)  

chars_to_mapping = {  
    'ك': 'ک', 'دِ': 'د', 'بِ': 'ب', 'زِ': 'ز', 'ذِ': 'ذ', 'شِ': 'ش', 'سِ': 'س', 'ى': 'ی',  
    'ي': 'ی', 'أ': 'ا', 'ؤ': 'و', "ے": "ی", "ۀ": "ه", "ﭘ": "پ", "ﮐ": "ک", "ﯽ": "ی",  
    "ﺎ": "ا", "ﺑ": "ب", "ﺘ": "ت", "ﺧ": "خ", "ﺩ": "د", "ﺱ": "س", "ﻀ": "ض", "ﻌ": "ع",  
    "ﻟ": "ل", "ﻡ": "م", "ﻢ": "م", "ﻪ": "ه", "ﻮ": "و", 'ﺍ': "ا", 'ة': "ه",  
    'ﯾ': "ی", 'ﯿ': "ی", 'ﺒ': "ب", 'ﺖ': "ت", 'ﺪ': "د", 'ﺮ': "ر", 'ﺴ': "س", 'ﺷ': "ش",  
    'ﺸ': "ش", 'ﻋ': "ع", 'ﻤ': "م", 'ﻥ': "ن", 'ﻧ': "ن", 'ﻭ': "و", 'ﺭ': "ر", "ﮔ": "گ",  
        
    # "ها": "  ها", "ئ": "ی",  
        
    "a": " ای ", "b": " بی ", "c": " سی ", "d": " دی ", "e": " ایی ", "f": " اف ",  
    "g": " جی ", "h": " اچ ", "i": " آی ", "j": " جی ", "k": " کی ", "l": " ال ",  
    "m": "  ام ", "n": " ان ", "o": " او ", "p": " پی ", "q": " کیو ", "r": " آر ",  
    "s": " اس ", "t": " تی ", "u": " یو ", "v": " وی ", "w": " دبلیو ", "x": " اکس ",  
    "y": " وای ", "z": " زد ",  
    "\u200c": " ", "\u200d": " ", "\u200e": " ", "\u200f": " ", "\ufeff": " ",  
}  

def multiple_replace(text, chars_to_mapping):  
    pattern = "|".join(map(re.escape, chars_to_mapping.keys()))  
    return re.sub(pattern, lambda m: chars_to_mapping[m.group()], str(text))  

def remove_special_characters(text, chars_to_ignore_regex):  
    text = re.sub(chars_to_ignore_regex, '', text).lower() + " "  
    return text  

def normalizer(batch, chars_to_ignore, chars_to_mapping):  
    chars_to_ignore_regex = f"""[{"".join(chars_to_ignore)}]"""  
    text = batch["sentence"].lower().strip()  
      
    text = _normalizer.normalize(text)  
    text = multiple_replace(text, chars_to_mapping)  
    text = remove_special_characters(text, chars_to_ignore_regex)  
    text = re.sub(" +", " ", text)  
    text = text.strip() + " "  

    batch["sentence"] = text  
    return batch  


def speech_file_to_array_fn(batch):  
    speech_array, sampling_rate = torchaudio.load(batch["path"])  
    speech_array = speech_array.squeeze().numpy()  
    speech_array = librosa.resample(np.asarray(speech_array), sampling_rate, 16_000)  

    batch["speech"] = speech_array  
    return batch  


def predict(batch):  
    features = processor(batch["speech"], sampling_rate=16_000, return_tensors="pt", padding=True)  

    input_values = features.input_values.to(device)  
    attention_mask = features.attention_mask.to(device)  

    with torch.no_grad():  
        logits = model(input_values, attention_mask=attention_mask).logits   
        
    pred_ids = torch.argmax(logits, dim=-1)  

    batch["predicted"] = processor.batch_decode(pred_ids)[0]  
    return batch  


device = torch.device("cuda" if torch.cuda.is_available() else "cpu")  
processor = Wav2Vec2Processor.from_pretrained("m3hrdadfi/wav2vec2-large-xlsr-persian-v2")  
model = Wav2Vec2ForCTC.from_pretrained("m3hrdadfi/wav2vec2-large-xlsr-persian-v2").to(device)  

dataset = load_dataset("common_voice", "fa", split="test[:1%]")  
dataset = dataset.map(  
    normalizer,   
    fn_kwargs={"chars_to_ignore": chars_to_ignore, "chars_to_mapping": chars_to_mapping},  
    remove_columns=list(set(dataset.column_names) - set(['sentence', 'path']))  
)  

dataset = dataset.map(speech_file_to_array_fn)  
result = dataset.map(predict)  

max_items = np.random.randint(0, len(result), 20).tolist()  
for i in max_items:  
    reference, predicted =  result["sentence"][i], result["predicted"][i]  
    print("reference:", reference)  
    print("predicted:", predicted)  
    print('---')  

输出:

reference: عجم زنده کردم بدین پارسی   
predicted: عجم زنده کردم بدین پارسی  
---  
reference: لباس هایم کی آماده خواهند شد   
predicted: لباس خایم کی آماده خواهند شد  
---  
reference: با مهان همنشین شدم   
predicted: با مهان همنشین شدم  
---  
reference: یکی از بهترین فیلم هایی بود که در این سال ها دیدم   
predicted: یکی از بهترین فیلمهایی بود که در این سالها دیدم  
---  
reference: اون خیلی بد ماساژ میده   
predicted: اون خیلی بد ماساژ میده  
---  
reference: هنوزم بزرگترین دستاورد دولت روحانی اینه که رییسی رییسجمهور نشد   
predicted: هنوزم بزرگترین دستآوردار دولت روانیاینه که ریسی ریسیومرو نشد  
---  
reference: واسه بدنسازی آماده ای   
predicted: واسه بعدنسافی آماده ای  
---  
reference: خدای من شماها سالمین   
predicted: خدای من شما ها سالمین  
---  
reference: بهشون ثابت میشه که دروغ نگفتم   
predicted: بهشون ثابت میشه که دروغ مگفتم  
---  
reference: آیا ممکن است یک پتو برای من بیاورید   
predicted: سف کمیتخ لظا  
---  
reference: نزدیک جلو   
predicted: رزیک جلو  
---  
reference: شایعه پراکن دربارهاش دروغ و شایعه می سازد   
predicted: شایه پراکن دربارهاش دروغ و شایعه می سازد  
---  
reference: وقتی نیاز است که یک چهره دوستانه بیابند   
predicted: وقتی نیاز است یک چهره دوستانه بیابند  
---  
reference: ممکنه رادیواکتیوی چیزی باشه   
predicted: ممکنه به آدیوتیوی چیزی باشه  
---  
reference: دهنتون رو ببندید   
predicted: دهن جن رو ببندید  
---  
reference: پاشیم بریم قند و شکر و روغنمون رو بگیریم تا تموم نشده   
predicted: پاشین بریم قند و شکر و روغنمون رو بگیریم تا تموم نشده  
---  
reference: اما قبل از تمام کردن بحث تاریخی باید ذکری هم از ناپیکس بکنیم   
predicted: اما قبل از تمام کردن بحث تاریخی باید ذکری هم از نایپکس بکنیم  
---  
reference: لطفا کپی امضا شده قرارداد را بازگردانید   
predicted: لطفا کپی امضال شده قرار داد را باز گردانید  
---  
reference: خیلی هم چیز مهمی نیست   
predicted: خیلی هم چیز مهمی نیست  
---  
reference: شایعه پراکن دربارهاش دروغ و شایعه می سازد   
predicted: شایه پراکن دربارهاش دروغ و شایعه می سازد  
---  

评估

可以在Common Voice的波斯语（波斯语）测试数据上评估该模型如下。

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

import numpy as np  
import hazm  
import re  
import string  

_normalizer = hazm.Normalizer()  

chars_to_ignore = [  
    ",", "?", ".", "!", "-", ";", ":", '""', "%", "'", '"', "�",  
    "#", "!", "؟", "?", "«", "»", "،", "(", ")", "؛", "'ٔ", "٬",'ٔ', ",", "?",   
    ".", "!", "-", ";", ":",'"',"“", "%", "‘", "”", "�", "–", "…", "_", "”", '“', '„',  
    'ā', 'š',  
    # "ء",   
]  

# 对于波斯语  
chars_to_ignore = chars_to_ignore + list(string.ascii_lowercase + string.digits)  

chars_to_mapping = {  
    'ك': 'ک', 'دِ': 'د', 'بِ': 'ب', 'زِ': 'ز', 'ذِ': 'ذ', 'شِ': 'ش', 'سِ': 'س', 'ى': 'ی',  
    'ي': 'ی', 'أ': 'ا', 'ؤ': 'و', "ے": "ی", "ۀ": "ه", "ﭘ": "پ", "ﮐ": "ک", "ﯽ": "ی",  
    "ﺎ": "ا", "ﺑ": "ب", "ﺘ": "ت", "ﺧ": "خ", "ﺩ": "د", "ﺱ": "س", "ﻀ": "ض", "ﻌ": "ع",  
    "ﻟ": "ل", "ﻡ": "م", "ﻢ": "م", "ﻪ": "ه", "ﻮ": "و", 'ﺍ': "ا", 'ة': "ه",  
    'ﯾ': "ی", 'ﯿ': "ی", 'ﺒ': "ب", 'ﺖ': "ت", 'ﺪ': "د", 'ﺮ': "ر", 'ﺴ': "س", 'ﺷ': "ش",  
    'ﺸ': "ش", 'ﻋ': "ع", 'ﻤ': "م", 'ﻥ': "ن", 'ﻧ': "ن", 'ﻭ': "و", 'ﺭ': "ر", "ﮔ": "گ",  
        
    # "ها": "  ها", "ئ": "ی",  
        
    "a": " ای ", "b": " بی ", "c": " سی ", "d": " دی ", "e": " ایی ", "f": " اف ",  
    "g": " جی ", "h": " اچ ", "i": " آی ", "j": " جی ", "k": " کی ", "l": " ال ",  
    "m": " ام ", "n": " ان ", "o": " او ", "p": " پی ", "q": " کیو ", "r": " آر ",  
    "s": " اس ", "t": " تی ", "u": " یو ", "v": " وی ", "w": " دبلیو ", "x": " اکس ",  
    "y": " وای ", "z": " زد ",  
    "\u200c": " ", "\u200d": " ", "\u200e": " ", "\u200f": " ", "\ufeff": " ",  
}  

def multiple_replace(text, chars_to_mapping):  
    pattern = "|".join(map(re.escape, chars_to_mapping.keys()))  
    return re.sub(pattern, lambda m: chars_to_mapping[m.group()], str(text))  

def remove_special_characters(text, chars_to_ignore_regex):  
    text = re.sub(chars_to_ignore_regex, '', text).lower() + " "  
    return text  

def normalizer(batch, chars_to_ignore, chars_to_mapping):  
    chars_to_ignore_regex = f"""[{"".join(chars_to_ignore)}]"""  
    text = batch["sentence"].lower().strip()  
      
    text = _normalizer.normalize(text)  
    text = multiple_replace(text, chars_to_mapping)  
    text = remove_special_characters(text, chars_to_ignore_regex)  
    text = re.sub(" +", " ", text)  
    text = text.strip() + " "  

    batch["sentence"] = text  
    return batch  


def speech_file_to_array_fn(batch):  
    speech_array, sampling_rate = torchaudio.load(batch["path"])  
    speech_array = speech_array.squeeze().numpy()  
    speech_array = librosa.resample(np.asarray(speech_array), sampling_rate, 16_000)  

    batch["speech"] = speech_array  
    return batch  


def predict(batch):  
    features = processor(batch["speech"], sampling_rate=16_000, return_tensors="pt", padding=True)  

    input_values = features.input_values.to(device)  
    attention_mask = features.attention_mask.to(device)  

    with torch.no_grad():  
        logits = model(input_values, attention_mask=attention_mask).logits   
        
    pred_ids = torch.argmax(logits, dim=-1)  

    batch["predicted"] = processor.batch_decode(pred_ids)[0]  
    return batch  


device = torch.device("cuda" if torch.cuda.is_available() else "cpu")  
processor = Wav2Vec2Processor.from_pretrained("m3hrdadfi/wav2vec2-large-xlsr-persian-v2")  
model = Wav2Vec2ForCTC.from_pretrained("m3hrdadfi/wav2vec2-large-xlsr-persian-v2").to(device)  

dataset = load_dataset("common_voice", "fa", split="test")  
dataset = dataset.map(  
    normalizer,   
    fn_kwargs={"chars_to_ignore": chars_to_ignore, "chars_to_mapping": chars_to_mapping},  
    remove_columns=list(set(dataset.column_names) - set(['sentence', 'path']))  
)  
dataset = dataset.map(speech_file_to_array_fn)  
result = dataset.map(predict)  

wer = load_metric("wer")  
print("WER: {:.2f}".format(100 * wer.compute(predictions=result["predicted"], references=result["sentence"])))  

测试结果:

• WER: 31.92%

训练

使用了Common Voice的train和validation数据集进行训练。

您可以在此处查看训练状态here

用于训练的脚本可以在此处找到here