Wav2vec2 Xls R 1b German

🚀 微調後的XLS - R 1B德語語音識別模型

本項目是一個微調後的語音識別模型，基於 [facebook/wav2vec2 - xls - r - 1b](https://huggingface.co/facebook/wav2vec2 - xls - r - 1b) 模型，使用 [Common Voice 8.0](https://huggingface.co/datasets/mozilla - foundation/common_voice_8_0)、Multilingual TEDx、Multilingual LibriSpeech 和 Voxpopuli 的訓練集和驗證集進行德語微調。使用該模型時，請確保輸入語音的採樣率為16kHz。

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

🚀 快速開始

模型信息

模型評估結果

✨ 主要特性

• 基於XLS - R 1B模型進行微調，在德語語音識別任務上表現出色。
• 支持使用多種公開數據集進行訓練，提高了模型的泛化能力。
• 可以使用 HuggingSound 庫快速進行語音識別，也可以自定義推理腳本。

📦 安裝指南

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

💻 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-xls-r-1b-german")
audio_paths = ["/path/to/file.mp3", "/path/to/another_file.wav"]

transcriptions = model.transcribe(audio_paths)

高級用法

自定義推理腳本：

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

LANG_ID = "de"
MODEL_ID = "jonatasgrosman/wav2vec2-xls-r-1b-german"
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 數據集的 test 分割上進行評估：

python eval.py --model_id jonatasgrosman/wav2vec2-xls-r-1b-german --dataset mozilla-foundation/common_voice_8_0 --config de --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-xls-r-1b-german --dataset speech-recognition-community-v2/dev_data --config de --split validation --chunk_length_s 5.0 --stride_length_s 1.0

引用信息

如果您想引用此模型，可以使用以下BibTeX格式：

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

📄 許可證

本項目使用Apache - 2.0許可證。