语言:

• 俄语 许可证: apache-2.0 标签:
• 自动语音识别
• hf-asr排行榜
• mozilla-foundation/common_voice_8_0
• 鲁棒语音事件
• 俄语 数据集:
• mozilla-foundation/common_voice_8_0 模型索引:
• 名称: Jonatas Grosman的XLS-R Wav2Vec2俄语模型 结果:
  • 任务: 名称: 自动语音识别 类型: automatic-speech-recognition 数据集: 名称: Common Voice 8 类型: mozilla-foundation/common_voice_8_0 参数: ru 指标:
    • 名称: 测试WER 类型: wer 值: 9.82
    • 名称: 测试CER 类型: cer 值: 2.3
    • 名称: 测试WER (+LM) 类型: wer 值: 7.08
    • 名称: 测试CER (+LM) 类型: cer 值: 1.87
  • 任务: 名称: 自动语音识别 类型: automatic-speech-recognition 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: ru 指标:
    • 名称: 开发WER 类型: wer 值: 23.96
    • 名称: 开发CER 类型: cer 值: 8.88
    • 名称: 开发WER (+LM) 类型: wer 值: 15.88
    • 名称: 开发CER (+LM) 类型: cer 值: 7.42
  • 任务: 名称: 自动语音识别 类型: automatic-speech-recognition 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: ru 指标:
    • 名称: 测试WER 类型: wer 值: 14.23

针对俄语语音识别微调的XLS-R 1B模型

基于facebook/wav2vec2-xls-r-1b模型，使用Common Voice 8.0、Golos和Multilingual TEDx的训练集和验证集对俄语进行了微调。使用该模型时，请确保语音输入采样率为16kHz。

此模型由HuggingSound工具微调，并感谢OVHcloud慷慨提供的GPU资源 :)

使用方法

使用HuggingSound库：

from huggingsound import SpeechRecognitionModel

model = SpeechRecognitionModel("jonatasgrosman/wav2vec2-xls-r-1b-russian")
audio_paths = ["/path/to/file.mp3", "/path/to/another_file.wav"]

transcriptions = model.transcribe(audio_paths)

编写自己的推理脚本：

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

LANG_ID = "ru"
MODEL_ID = "jonatasgrosman/wav2vec2-xls-r-1b-russian"
SAMPLES = 10

test_dataset = load_dataset("common_voice", LANG_ID, split=f"test[:{SAMPLES}]")

processor = Wav2Vec2Processor.from_pretrained(MODEL_ID)
model = Wav2Vec2ForCTC.from_pretrained(MODEL_ID)

# 预处理数据集
# 需要将音频文件读取为数组
def speech_file_to_array_fn(batch):
    speech_array, sampling_rate = librosa.load(batch["path"], sr=16_000)
    batch["speech"] = speech_array
    batch["sentence"] = batch["sentence"].upper()
    return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)
inputs = processor(test_dataset["speech"], 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)
predicted_sentences = processor.batch_decode(predicted_ids)

评估命令

1. 在mozilla-foundation/common_voice_8_0的test集上评估

python eval.py --model_id jonatasgrosman/wav2vec2-xls-r-1b-russian --dataset mozilla-foundation/common_voice_8_0 --config ru --split test

2. 在speech-recognition-community-v2/dev_data上评估

python eval.py --model_id jonatasgrosman/wav2vec2-xls-r-1b-russian --dataset speech-recognition-community-v2/dev_data --config ru --split validation --chunk_length_s 5.0 --stride_length_s 1.0

引用

如需引用此模型，可使用以下格式：

@misc{grosman2021xlsr-1b-russian,
  title={针对俄语语音识别微调的{XLS-R} 1{B}模型},
  author={Grosman, Jonatas},
  howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-xls-r-1b-russian}},
  year={2022}
}