Wav2vec2 Xls R 1b Italian

🚀 用於意大利語語音識別的微調XLS - R 1B模型

本模型基於[facebook/wav2vec2 - xls - r - 1b](https://huggingface.co/facebook/wav2vec2 - xls - r - 1b)，使用[Common Voice 8.0](https://huggingface.co/datasets/mozilla - foundation/common_voice_8_0)、Multilingual TEDx、Multilingual LibriSpeech和Voxpopuli的訓練集和驗證集對意大利語進行了微調。使用此模型時，請確保語音輸入的採樣率為16kHz。

該模型通過HuggingSound工具進行微調，並感謝[OVHcloud](https://www.ovhcloud.com/en/public - cloud/ai - training/)慷慨提供的GPU計算資源。

✨ 主要特性

• 多數據集微調：基於多個公開數據集對意大利語語音識別進行了優化。
• 高精度表現：在多個評估指標上取得了較好的成績，如在Common Voice 8數據集上測試的WER為9.04%，CER為2.2%。

📦 安裝指南

文檔未提及具體安裝步驟，可參考相關依賴庫的官方文檔進行安裝，如transformers、librosa、torch、datasets等。

💻 使用示例

基礎用法

使用HuggingSound庫：

from huggingsound import SpeechRecognitionModel

model = SpeechRecognitionModel("jonatasgrosman/wav2vec2-xls-r-1b-italian")
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 = "it"
MODEL_ID = "jonatasgrosman/wav2vec2-xls-r-1b-italian"
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)

📚 詳細文檔

評估命令

1. 在mozilla - foundation/common_voice_8_0的test分割集上進行評估：

python eval.py --model_id jonatasgrosman/wav2vec2-xls-r-1b-italian --dataset mozilla-foundation/common_voice_8_0 --config it --split test

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

python eval.py --model_id jonatasgrosman/wav2vec2-xls-r-1b-italian --dataset speech-recognition-community-v2/dev_data --config it --split validation --chunk_length_s 5.0 --stride_length_s 1.0

模型評估結果

📄 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{grosman2021xlsr-1b-italian,
  title={Fine-tuned {XLS-R} 1{B} model for speech recognition in {I}talian},
  author={Grosman, Jonatas},
  howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-xls-r-1b-italian}},
  year={2022}
}