语言: 俄语
许可证: Apache-2.0
数据集:

• Common Voice
• Mozilla基金会/common_voice_6_0
  评估指标:
• 词错误率(WER)
• 字符错误率(CER)
  标签:
• 音频
• 自动语音识别
• HF-ASR排行榜
• Mozilla基金会/common_voice_6_0
• 鲁棒语音事件
• 俄语
• 语音
• XLSR微调周
  模型索引:
• 名称: Jonatas Grosman的XLSR 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俄语
    类型: common_voice
    参数: ru
    指标:
    • 名称: 测试集词错误率
      类型: wer
      值: 13.3
    • 名称: 测试集字符错误率
      类型: cer
      值: 2.88
    • 名称: 测试集词错误率(+语言模型)
      类型: wer
      值: 9.57
    • 名称: 测试集字符错误率(+语言模型)
      类型: cer
      值: 2.24
  • 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: 开发集词错误率
      类型: wer
      值: 40.22
    • 名称: 开发集字符错误率
      类型: cer
      值: 14.8
    • 名称: 开发集词错误率(+语言模型)
      类型: wer
      值: 33.61
    • 名称: 开发集字符错误率(+语言模型)
      类型: cer
      值: 13.5

针对俄语语音识别微调的XLSR-53大模型

基于facebook/wav2vec2-large-xlsr-53模型，使用Common Voice 6.1和CSS10的训练集与验证集对俄语进行微调。使用本模型时，请确保语音输入采样率为16kHz。

本模型的微调得益于OVHcloud慷慨提供的GPU算力支持:)

训练脚本详见: https://github.com/jonatasgrosman/wav2vec2-sprint

使用方式

该模型可直接使用(无需语言模型)...

使用HuggingSound库:

from huggingsound import SpeechRecognitionModel

model = SpeechRecognitionModel("jonatasgrosman/wav2vec2-large-xlsr-53-russian")
audio_paths = ["/path/to/file.mp3", "/path/to/another_file.wav"]

transcriptions = model.transcribe(audio_paths)

自定义推理脚本:

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

LANG_ID = "ru"
MODEL_ID = "jonatasgrosman/wav2vec2-large-xlsr-53-russian"
SAMPLES = 5

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

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

# 数据预处理
# 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)

for i, predicted_sentence in enumerate(predicted_sentences):
    print("-" * 100)
    print("参考文本:", test_dataset[i]["sentence"])
    print("识别结果:", predicted_sentence)

评估

1. 在mozilla-foundation/common_voice_6_0的test集上评估

python eval.py --model_id jonatasgrosman/wav2vec2-large-xlsr-53-russian --dataset mozilla-foundation/common_voice_6_0 --config ru --split test

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

python eval.py --model_id jonatasgrosman/wav2vec2-large-xlsr-53-russian --dataset speech-recognition-community-v2/dev_data --config ru --split validation --chunk_length_s 5.0 --stride_length_s 1.0

引用

如需引用本模型，请使用:

@misc{grosman2021xlsr53-large-russian,
  title={针对俄语语音识别微调的{XLSR}-53大模型},
  author={Grosman, Jonatas},
  howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-large-xlsr-53-russian}},
  year={2021}
}