Nb Wav2vec2 1b Nynorsk

🚀 挪威語Wav2Vec2模型 - 1B尼諾斯克語

該模型基於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使用5-gram KenLM取得了以下結果（括號內為未使用語言模型的結果）：

• 字錯率（WER）: 0.1132 (0.1364)
• 字符錯誤率（CER）: 0.0402 (---)

🚀 快速開始

本模型是基於Facebook/Meta的特徵提取器 XLS-R 微調得到的。若要復現這些結果，強烈建議按照 🤗 的說明 訓練一個簡單的瑞典語模型。驗證能夠完成此操作後，創建一個全新的倉庫，然後從本倉庫複製文件 run.sh 和 run_speech_recognition_ctc.py 開始。運行這些文件將創建所有其他必要的文件，應該可以復現我們的結果。通過對超參數進行一些調整，甚至有可能構建出更好的自動語音識別（ASR）模型。

✨ 主要特性

• 本模型是團隊在 🤗 主辦的 穩健語音事件 期間創建的多個Wav2Vec模型之一。
• 微調後的模型在測試集上使用5-gram KenLM取得了較好的字錯率（WER）和字符錯誤率（CER）。
• 增加一個簡單的5-gram語言模型可以提高模型的識別結果。

📦 安裝指南

文檔未提供具體安裝步驟，故跳過此章節。

💻 使用示例

文檔未提供代碼示例，故跳過此章節。

📚 詳細文檔

模型描述

這是團隊在 🤗 主辦的 穩健語音事件 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：

數據集

在活動進行的同時，團隊還將 挪威議會語音語料庫（NPSC） 轉換為 🤗 數據集格式的 NbAiLab/NPSC，並將其用作訓練的主要來源。

團隊

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

訓練過程

語言模型

如得分所示，添加一個簡單的5-gram語言模型將提高識別結果。🤗 提供了另一篇 非常不錯的博客，解釋瞭如何添加5-gram語言模型來改進ASR模型。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。也可以跳過指南中的一些步驟，並從 本倉庫複製5-gram模型。

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_nynorsk"
--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。不過，通過調整這些參數，可以獲得一個不錯的模型並加快訓練結果。

🔧 技術細節

文檔未提供足夠的技術實現細節（具體技術說明少於50字），故跳過此章節。

📄 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