Wav2vec2 Xls R 1b English

🚀 微調後的XLS - R 1B英文語音識別模型

本項目是基於英文語音識別任務，對 [facebook/wav2vec2 - xls - r - 1b](https://huggingface.co/facebook/wav2vec2 - xls - r - 1b) 模型進行微調的成果。該模型使用了 [Common Voice 8.0](https://huggingface.co/datasets/mozilla - foundation/common_voice_8_0)、Multilingual LibriSpeech、TED - LIUMv3 和 Voxpopuli 等數據集的訓練集和驗證集進行微調。使用此模型時，請確保輸入的語音採樣率為 16kHz。

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

🚀 快速開始

本模型可用於英文語音識別任務，能將輸入的英文語音轉換為對應的文本。

✨ 主要特性

• 微調模型：基於預訓練的 XLS - R 1B 模型進行微調，更適配英文語音識別任務。
• 多數據集訓練：使用多個公開數據集進行訓練，提升模型的泛化能力。
• 支持多方式使用：既可以使用 HuggingSound 庫快速調用，也可以編寫自定義推理腳本。

📦 安裝指南

文檔未提及安裝步驟，可參考相關依賴庫（如 transformers、librosa、datasets 等）的官方安裝指南進行安裝。

💻 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-english")
audio_paths = ["/path/to/file.mp3", "/path/to/another_file.wav"]

transcriptions = model.transcribe(audio_paths)

高級用法

編寫自定義推理腳本：

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

LANG_ID = "en"
MODEL_ID = "jonatasgrosman/wav2vec2-xls-r-1b-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)

📚 詳細文檔

評估命令

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

python eval.py --model_id jonatasgrosman/wav2vec2-xls-r-1b-english --dataset mozilla-foundation/common_voice_8_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-xls-r-1b-english --dataset speech-recognition-community-v2/dev_data --config en --split validation --chunk_length_s 5.0 --stride_length_s 1.0

模型指標

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