Wav2vec2 Xlsr 1b Finnish Lm V2

🚀 Wav2vec2-xls-r-1b用於芬蘭語自動語音識別

本聲學模型是 facebook/wav2vec2-xls-r-1b 針對芬蘭語自動語音識別（ASR）任務的微調版本。該模型使用了 275.6 小時的芬蘭語轉錄語音數據進行微調。Wav2Vec2 XLS - R 在 這篇論文 中被提出，並首次在 此頁面 發佈。

本倉庫還包含了在解碼階段與聲學模型一起使用的芬蘭語 KenLM 語言模型。

注意：此模型與 aapot/wav2vec2-xlsr-1b-finnish-lm-v2 模型完全相同，只是將該模型複製/遷移到了這個 Finnish - NLP Hugging Face 組織中。

✨ 主要特性

• 基於大規模多語言預訓練模型 Wav2Vec2 XLS - R 進行微調，適用於芬蘭語自動語音識別任務。
• 包含芬蘭語 KenLM 語言模型，可在解碼階段輔助聲學模型。

📦 安裝指南

文檔未提供安裝步驟，故跳過此章節。

💻 使用示例

基礎用法

可查看本倉庫中的 run-finnish-asr-models.ipynb 筆記本，以獲取如何使用此模型的詳細示例。

📚 詳細文檔

模型描述

Wav2Vec2 XLS - R 是 Facebook AI 推出的用於語音的大規模多語言預訓練模型。它在 436000 小時的無標籤語音數據上進行預訓練，這些數據包括 VoxPopuli、MLS、CommonVoice、BABEL 和 VoxLingua107。該模型使用 wav2vec 2.0 目標函數，支持 128 種語言。

你可以從 這篇博客 和 這篇論文 中瞭解更多關於該預訓練模型的信息。

此模型是預訓練模型（10 億參數變體）針對芬蘭語 ASR 任務的微調版本。

預期用途與限制

預期用途

你可以將此模型用於芬蘭語 ASR（語音轉文本）任務。

限制和偏差

• 此模型使用的音頻樣本最大長度為 20 秒，因此該模型很可能在類似長度的短音頻上效果最佳。不過，你也可以嘗試使用更長的音頻，看看效果如何。如果你在處理非常長的音頻文件時遇到內存不足的錯誤，可以使用 這篇博客文章 中介紹的音頻分塊方法。
• 用於微調的絕大多數數據來自芬蘭議會數據集，因此該模型可能無法很好地泛化到非常不同的領域，例如帶有方言的日常芬蘭語口語等。此外，數據集的音頻往往以成年男性為主，因此該模型在處理兒童和女性的語音時可能效果不佳。
• 解碼階段使用的芬蘭語 KenLM 語言模型是使用音頻轉錄文本數據和芬蘭語維基百科的一個子集進行訓練的。因此，解碼器的語言模型可能無法很好地泛化到非常不同的語言，例如帶有方言的日常口語（因為維基百科主要包含正式的芬蘭語）。為你的領域語言訓練自己的 KenLM 語言模型並在解碼中使用可能會更有益。

訓練數據

此模型使用了來自以下數據集的 275.6 小時芬蘭語轉錄語音數據進行微調：

數據集經過篩選，只包含最長 20 秒的音頻樣本。

訓練過程

此模型是在 Hugging Face 組織的 魯棒語音挑戰活動 期間進行訓練的。訓練在由 OVHcloud 贊助的 Tesla V100 GPU 上完成。

訓練腳本由 Hugging Face 提供，可在 此處 獲取。我們僅修改了其數據加載部分以適配自定義數據集。

對於 KenLM 語言模型的訓練，我們遵循了 Hugging Face 提供的 博客文章教程。5 - 元 KenLM 的訓練數據包括音頻訓練數據的文本轉錄以及清理後的 芬蘭語維基百科（2021 年 8 月）數據集的 100000 個隨機樣本。

訓練超參數

訓練期間使用了以下超參數：

• 學習率：5e - 05
• 訓練批次大小：32
• 評估批次大小：8
• 隨機種子：42
• 優化器：8 位 Adam，β=(0.9, 0.999)，ε = 1e - 08
• 學習率調度器類型：線性
• 學習率調度器熱身步數：500
• 訓練輪數：10
• 混合精度訓練：原生自動混合精度（Native AMP）

預訓練的 facebook/wav2vec2-xls-r-1b 模型使用以下超參數進行初始化：

• 注意力丟棄率：0.094
• 隱藏層丟棄率：0.047
• 特徵投影丟棄率：0.04
• 時間掩碼概率：0.082
• 層丟棄率：0.041
• 激活丟棄率：0.055
• CTC 損失縮減方式：“均值”

訓練結果

框架版本

• Transformers 4.17.0.dev0
• Pytorch 1.10.2 + cu102
• Datasets 1.18.3
• Tokenizers 0.11.0

評估結果

評估使用了 Common Voice 7.0 芬蘭語測試集、Common Voice 9.0 芬蘭語測試集 以及 FLEURS ASR 芬蘭語測試集。

此模型的訓練數據包含 Common Voice 7.0 的訓練集，但我們較新的 Finnish - NLP/wav2vec2 - base - fi - voxpopuli - v2 - finetuned 和 Finnish - NLP/wav2vec2 - large - uralic - voxpopuli - v2 - finnish 模型包含 Common Voice 9.0 的數據，因此我們對兩個版本的 Common Voice 都進行了測試。注意：Common Voice 似乎沒有完全固定測試集，因此 Common Voice 9.0 的一些訓練示例可能出現在 Common Voice 7.0 的測試集中，反之亦然。因此，在使用不同版本 Common Voice 訓練的模型之間，Common Voice 測試結果的比較並不完全準確，但這種比較仍然有一定的意義。

Common Voice 7.0 測試

要評估此模型，請運行本倉庫中的 eval.py 腳本：

python3 eval.py --model_id Finnish-NLP/wav2vec2-xlsr-1b-finnish-lm-v2  --dataset mozilla-foundation/common_voice_7_0 --config fi --split test

此模型（表格中的第五行）與我們的其他模型及其參數數量相比，取得了以下字錯誤率（WER）和字符錯誤率（CER）結果：

Common Voice 9.0 測試

要評估此模型，請運行本倉庫中的 eval.py 腳本：

python3 eval.py --model_id Finnish-NLP/wav2vec2-xlsr-1b-finnish-lm-v2  --dataset mozilla-foundation/common_voice_9_0 --config fi --split test

此模型（表格中的第五行）與我們的其他模型及其參數數量相比，取得了以下字錯誤率（WER）和字符錯誤率（CER）結果：

FLEURS ASR 測試

要評估此模型，請運行本倉庫中的 eval.py 腳本：

python3 eval.py --model_id Finnish-NLP/wav2vec2-xlsr-1b-finnish-lm-v2 --dataset google/fleurs --config fi_fi --split test

此模型（表格中的第五行）與我們的其他模型及其參數數量相比，取得了以下字錯誤率（WER）和字符錯誤率（CER）結果：

團隊成員

• Aapo Tanskanen，Hugging Face 個人資料，領英個人資料
• Rasmus Toivanen，Hugging Face 個人資料，領英個人資料

如有更多細節需求，請隨時聯繫我們 🤗

📄 許可證

本項目採用 Apache 2.0 許可證。