Nb Wav2vec2 1b Bokmaal

🚀 挪威語Wav2Vec2模型 - 1B書面挪威語版

本模型基於Facebook/Meta的特徵提取器XLS - R進行微調。微調後的模型在測試集上結合5 - 元語言模型KenLM取得了以下成績（括號內為未使用語言模型的結果）：

• 字錯率（WER）：0.0633 (0.0738)
• 字符錯誤率（CER）：0.0248 (0.0263)

✨ 主要特性

本模型是團隊在🤗舉辦的魯棒語音事件期間創建的多個Wav2Vec模型之一。以下是我們模型的完整列表及其最終得分：

📦 安裝指南

文檔未提及安裝步驟，暫不提供。

💻 使用示例

文檔未提供代碼示例，暫不提供。

📚 詳細文檔

數據集

在活動進行的同時，團隊還將[挪威議會演講語料庫（NPSC）](https://www.nb.no/sprakbanken/en/resource - catalogue/oai - nb - no - sbr - 58/)轉換為🤗數據集格式的NbAiLab/NPSC，並將其作為訓練的主要來源。

代碼

我們已發佈了活動期間開發的所有代碼，以便挪威自然語言處理社區在開發更好的挪威語自動語音識別（ASR）模型時可以在此基礎上進行構建。這些模型的微調對計算資源的要求不是很高。按照此處的說明操作後，使用普通GPU，您應該能夠在不到一天的時間內訓練出自己的自動語音識別系統。

團隊

以下人員為構建此模型做出了貢獻：Rolv - Arild Braaten、Per Egil Kummervold、Andre Kåsen、Javier de la Rosa、Per Erik Solberg和Freddy Wetjen。

訓練過程

為了復現這些結果，我們強烈建議您遵循[🤗的說明](https://github.com/huggingface/transformers/tree/master/examples/research_projects/robust - speech - event#talks)來訓練一個簡單的瑞典語模型。

當您確認自己能夠完成此操作後，創建一個全新的倉庫。然後，您可以從我們的倉庫中複製文件run.sh和run_speech_recognition_ctc.py。運行這些文件將創建所有其他必要的文件，並使您能夠復現我們的結果。對超參數進行一些調整後，您甚至可能構建出更好的自動語音識別模型。祝您好運！

語言模型

正如得分所示，即使添加一個簡單的5 - 元語言模型也會改善結果。🤗提供了另一篇[非常不錯的博客](https://huggingface.co/blog/wav2vec2 - with - ngram)，解釋瞭如何添加5 - 元語言模型來改進自動語音識別模型。您可以從自己的語料庫構建這個模型，例如從挪威巨型語料庫中提取一些合適的文本。您也可以跳過指南中的一些步驟，並複製[此倉庫中的5 - 元模型](https://huggingface.co/NbAiLab/XLSR - 300M - bokmaal/tree/main/language_model)。

參數

最終模型使用以下參數運行：

--dataset_name="NbAiLab/NPSC"
--model_name_or_path="facebook/wav2vec2-xls-r-1b"
--dataset_config_name="16K_mp3_bokmaal"
--output_dir="./"
--overwrite_output_dir
--num_train_epochs="40"
--per_device_train_batch_size="12"
--per_device_eval_batch_size="12" 
--gradient_accumulation_steps="2" 
--learning_rate="2e-5" 
--warmup_steps="2000" 
--length_column_name="input_length" 
--evaluation_strategy="steps" 
--text_column_name="text" 
--save_steps="500" 
--eval_steps="500" 
--logging_steps="100" 
--layerdrop="0.041" 
--attention_dropout="0.094" 
--activation_dropout="0.055" 
--hidden_dropout="0.047" 
--save_total_limit="3"
--freeze_feature_encoder 
--feat_proj_dropout="0.04" 
--mask_time_prob="0.082" 
--mask_time_length="10" 
--mask_feature_prob="0.25" 
--mask_feature_length="64" 
--gradient_checkpointing
--min_duration_in_seconds="0.5" 
--max_duration_in_seconds="30.0" 
--ctc_zero_infinity=True 
--use_auth_token 
--seed="42" 
--fp16 
--group_by_length 
--do_train --do_eval 
--push_to_hub 
--preprocessing_num_workers="16"

使用這些設置，在普通GPU上訓練可能需要3 - 4天。但是，通過調整這些參數，您可以更快地得到一個不錯的模型。

🔧 技術細節

文檔未提供足夠的技術實現細節，暫不提供。

📄 許可證

本模型使用Apache - 2.0許可證。

📚 引用

@inproceedings{de-la-rosa-etal-2023-boosting,
    title = "Boosting {N}orwegian Automatic Speech Recognition",
    author = "De La Rosa, Javier  and
      Braaten, Rolv-Arild  and
      Kummervold, Per  and
      Wetjen, Freddy",
    booktitle = "Proceedings of the 24th Nordic Conference on Computational Linguistics (NoDaLiDa)",
    month = may,
    year = "2023",
    address = "T{\'o}rshavn, Faroe Islands",
    publisher = "University of Tartu Library",
    url = "https://aclanthology.org/2023.nodalida-1.55",
    pages = "555--564",
    abstract = "In this paper, we present several baselines for automatic speech recognition (ASR) models for the two official written languages in Norway: Bokm{\aa}l and Nynorsk. We compare the performance of models of varying sizes and pre-training approaches on multiple Norwegian speech datasets. Additionally, we measure the performance of these models against previous state-of-the-art ASR models, as well as on out-of-domain datasets. We improve the state of the art on the Norwegian Parliamentary Speech Corpus (NPSC) from a word error rate (WER) of 17.10{\%} to 7.60{\%}, with models achieving 5.81{\%} for Bokm{\aa}l and 11.54{\%} for Nynorsk. We also discuss the challenges and potential solutions for further improving ASR models for Norwegian.",
}

詳見https://arxiv.org/abs/2307.01672