Speech Text

🚀 Wav2Vec2-Large-XLSR-53-English

本項目基於Common Voice英文數據集，對facebook/wav2vec2-large-xlsr-53模型進行了微調。使用該模型時，請確保語音輸入的採樣率為16kHz。

此模型的微調得益於OVHcloud慷慨提供的GPU算力支持。訓練腳本可在此處找到。

🚀 快速開始

本模型基於英文的Common Voice數據集，對facebook/wav2vec2-large-xlsr-53進行了微調。使用該模型時，請確保語音輸入的採樣率為16kHz。

✨ 主要特性

• 基於大規模預訓練模型facebook/wav2vec2-large-xlsr-53進行微調，提升英文語音識別效果。
• 可直接使用，也可結合語言模型使用。
• 提供了詳細的使用示例和評估腳本。

📦 安裝指南

文檔未提及安裝相關內容，可參考原模型及依賴庫的安裝說明進行安裝。

💻 使用示例

基礎用法

使用HuggingSound庫進行語音識別：

from huggingsound import SpeechRecognitionModel

model = SpeechRecognitionModel("jonatasgrosman/wav2vec2-large-xlsr-53-english")
audio_paths = ["/path/to/file.mp3", "/path/to/another_file.wav"]

transcriptions = model.transcribe(audio_paths)

高級用法

編寫自己的推理腳本：

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

LANG_ID = "en"
MODEL_ID = "jonatasgrosman/wav2vec2-large-xlsr-53-english"
SAMPLES = 10

test_dataset = load_dataset("common_voice", LANG_ID, split=f"test[:{SAMPLES}]")

processor = Wav2Vec2Processor.from_pretrained(MODEL_ID)
model = Wav2Vec2ForCTC.from_pretrained(MODEL_ID)

# Preprocessing the datasets.
# We need to read the audio files as arrays
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("Reference:", test_dataset[i]["sentence"])
    print("Prediction:", predicted_sentence)

以下是部分識別結果示例：

📚 詳細文檔

評估

1. 在mozilla-foundation/common_voice_6_0數據集的test分割上進行評估：

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

2. 在speech-recognition-community-v2/dev_data數據集上進行評估：

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

📄 許可證

本項目採用apache-2.0許可證。

📚 引用

如果您想引用此模型，可以使用以下 BibTeX 格式：

@misc{grosman2021wav2vec2-large-xlsr-53-english,
  title={XLSR Wav2Vec2 English by Jonatas Grosman},
  author={Grosman, Jonatas},
  publisher={Hugging Face},
  journal={Hugging Face Hub},
  howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-large-xlsr-53-english}},
  year={2021}
}

📋 模型信息