Wav2vec2 Large 100k Voxpopuli Catala

🚀 加泰羅尼亞語Wav2Vec2大模型

本模型基於facebook/wav2vec2-large-100k-voxpopuli，使用Common Voice和ParlamentParla數據集對加泰羅尼亞語進行了微調。它可用於語音識別任務，將語音轉換為文本，在加泰羅尼亞語語音處理方面具有較高的準確性和實用性。

🚀 快速開始

本模型基於facebook/wav2vec2-large-100k-voxpopuli，使用Common Voice和ParlamentParla數據集對加泰羅尼亞語進行了微調。

⚠️ 重要提示

• 所使用的訓練/開發/測試拆分並不完全與CommonVoice 6.1數據集對應。使用了自定義拆分，結合了CommonVoice和ParlamentParla數據集，可在此處找到。在CV測試數據集上進行評估會產生有偏差的字錯率（WER），因為該數據集中的1144個音頻文件已用於此模型的訓練/評估。
• 字錯率（WER）是使用test.csv計算的，該數據集在模型訓練/評估期間未被模型見過。

你可以在GitHub倉庫ccoreilly/wav2vec2-catala中找到訓練和評估腳本。

使用此模型時，請確保你的語音輸入採樣率為16kHz。

✨ 主要特性

• 多數據集微調：使用Common Voice和ParlamentParla數據集對加泰羅尼亞語進行微調，提升模型在加泰羅尼亞語語音識別上的性能。
• 高精度識別：在多個測試數據集上取得了較低的字錯率（WER），證明了模型的準確性。

📦 安裝指南

文檔未提及安裝相關內容，故跳過。

💻 使用示例

基礎用法

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

test_dataset = load_dataset("common_voice", "ca", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("ccoreilly/wav2vec2-large-100k-voxpopuli-catala") 
model = Wav2Vec2ForCTC.from_pretrained("ccoreilly/wav2vec2-large-100k-voxpopuli-catala")

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

# Preprocessing the datasets.
# We need to read the audio files as arrays
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("Prediction:", processor.batch_decode(predicted_ids))
print("Reference:", test_dataset["sentence"][:2])

高級用法

文檔未提及高級用法相關代碼，故跳過。

📚 詳細文檔

模型信息

評估結果

模型在以下未被模型見過的數據集上評估了字錯率（WER）：

🔧 技術細節

文檔未提及技術細節相關內容，故跳過。

📄 許可證

本模型使用的許可證為Apache-2.0。