语言:

• 粤语 语言编码:
• zh-HK 数据集:
• 普通语音 评估指标:
• 字错误率(CER)

标签:

• 音频
• 自动语音识别
• 语音
• XLSR微调周 许可证:
• Apache-2.0 模型索引:
• 名称: wav2vec2-large-xlsr-粤语版 结果:
  • 任务: 名称: 语音识别 类型: 自动语音识别 数据集: 名称: 普通语音 zh-HK 类型: common_voice 参数: zh-HK 评估指标:
    • 名称: 测试CER 类型: cer 值: 15.36

Wav2Vec2-Large-XLSR-53-粤语版

基于facebook/wav2vec2-large-xlsr-53模型，使用普通语音粤语数据集进行微调。使用该模型时，请确保语音输入采样率为16kHz。

使用方法

该模型可直接使用（无需语言模型），如下所示：

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

test_dataset = load_dataset("common_voice", "zh-HK", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("ctl/wav2vec2-large-xlsr-cantonese") 
model = Wav2Vec2ForCTC.from_pretrained("ctl/wav2vec2-large-xlsr-cantonese")

resampler = torchaudio.transforms.Resample(48_000, 16_000)

# 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 = torchaudio.load(batch["path"])
	batch["speech"] = resampler(speech_array).squeeze().numpy()
	return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)
inputs = processor(test_dataset["speech"][:2], 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)

print("预测结果:", processor.batch_decode(predicted_ids))
print("参考文本:", test_dataset["sentence"][:2))

评估

可通过以下方式在普通语音中文（香港）测试数据上评估模型性能。

!pip install jiwer
import torch
import torchaudio
from datasets import load_dataset, load_metric
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import re
import argparse

lang_id = "zh-HK" 
model_id = "ctl/wav2vec2-large-xlsr-cantonese"

chars_to_ignore_regex = '[\,\?\.\!\-\;\:"\“\%\‘\”\�\．\⋯\！\－\：\–\。\》\,\）\,\？\；\～\~\…\︰\，\（\」\‧\《\﹔\、\—\／\,\「\﹖\·\']'

test_dataset = load_dataset("common_voice", f"{lang_id}", split="test") 
cer = load_metric("cer")

processor = Wav2Vec2Processor.from_pretrained(f"{model_id}") 
model = Wav2Vec2ForCTC.from_pretrained(f"{model_id}") 
model.to("cuda")

resampler = torchaudio.transforms.Resample(48_000, 16_000)

# 数据预处理
# 需要将音频文件读取为数组
def speech_file_to_array_fn(batch):
    batch["sentence"] = re.sub(chars_to_ignore_regex, '', batch["sentence"]).lower()
    speech_array, sampling_rate = torchaudio.load(batch["path"])
    batch["speech"] = resampler(speech_array).squeeze().numpy()
    return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)

# 评估函数
def evaluate(batch):
    inputs = processor(batch["speech"], sampling_rate=16_000, return_tensors="pt", padding=True)
    with torch.no_grad():
        logits = model(inputs.input_values.to("cuda"), attention_mask=inputs.attention_mask.to("cuda")).logits

    pred_ids = torch.argmax(logits, dim=-1)
    batch["pred_strings"] = processor.batch_decode(pred_ids)
    return batch

result = test_dataset.map(evaluate, batched=True, batch_size=16)

print("CER: {:2f}".format(100 * cer.compute(predictions=result["pred_strings"], references=result["sentence"])))

测试结果: 15.51%

训练过程

使用了普通语音的train和validation数据集进行训练。

训练脚本将发布在此处