语言: 波兰语
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
• Hugging Face ASR排行榜
• Mozilla基金会/Common Voice 6.0
• 波兰语
• 鲁棒语音事件
• 语音
• XLSR微调周

模型索引:

• 名称: Jonatas Grosman的XLSR Wav2Vec2波兰语模型
  结果:
  • 任务:
    名称: 自动语音识别
    类型: automatic-speech-recognition
    数据集:
    名称: Common Voice波兰语版
    类型: common_voice
    参数: pl
    指标:
    • 名称: 测试集词错误率
      类型: wer
      值: 14.21
    • 名称: 测试集字符错误率
      类型: cer
      值: 3.49
    • 名称: 测试集词错误率(带语言模型)
      类型: wer
      值: 10.98
    • 名称: 测试集字符错误率(带语言模型)
      类型: cer
      值: 2.93
  • 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: pl
    指标:
    • 名称: 开发集词错误率
      类型: wer
      值: 33.18
    • 名称: 开发集字符错误率
      类型: cer
      值: 15.92
    • 名称: 开发集词错误率(带语言模型)
      类型: wer
      值: 29.31
    • 名称: 开发集字符错误率(带语言模型)
      类型: cer
      值: 15.17

针对波兰语优化的XLSR-53大模型语音识别系统

本模型基于facebook/wav2vec2-large-xlsr-53，使用Common Voice 6.1波兰语训练集和验证集进行微调。使用时请确保语音输入采样率为16kHz。

特别感谢OVHcloud提供的GPU算力支持。

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

使用方式

直接调用（无需语言模型）

通过HuggingSound库调用:

from huggingsound import SpeechRecognitionModel

model = SpeechRecognitionModel("jonatasgrosman/wav2vec2-large-xlsr-53-polish")
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 = "pl"
MODEL_ID = "jonatasgrosman/wav2vec2-large-xlsr-53-polish"
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
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("原文:", test_dataset[i]["sentence"])
    print("识别结果:", predicted_sentence)

评估方法

1. 在mozilla-foundation/common_voice_6_0测试集上评估:

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

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

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

引用格式

如需引用本模型，请使用:

@misc{grosman2021xlsr53-large-polish,
  title={针对波兰语优化的XLSR-53大模型语音识别系统},
  author={Grosman, Jonatas},
  howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-large-xlsr-53-polish}},
  year={2021}
}