Wav2vec2 Large Xlsr 53 Spanish

🚀 用於西班牙語語音識別的微調XLSR - 53大型模型

本項目是在西班牙語數據集上對 facebook/wav2vec2-large-xlsr-53 模型進行微調的成果。使用的訓練和驗證集來自 Common Voice 6.1。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計算資源。訓練腳本可在 此處 找到。

🚀 快速開始

本模型可直接使用（無需語言模型），下面為你介紹具體使用方法。

✨ 主要特性

• 數據集：使用 common_voice 和 mozilla-foundation/common_voice_6_0 數據集進行訓練。
• 評估指標：使用 wer（詞錯誤率）和 cer（字符錯誤率）進行評估。
• 適用場景：適用於西班牙語的自動語音識別任務。

📦 安裝指南

文檔未提供具體安裝步驟，可參考相關依賴庫的安裝說明，如 transformers、librosa、datasets 等。

💻 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-spanish")
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 = "es"
MODEL_ID = "jonatasgrosman/wav2vec2-large-xlsr-53-spanish"
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)

以下是部分預測結果示例：

📚 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-spanish --dataset mozilla-foundation/common_voice_6_0 --config es --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-spanish --dataset speech-recognition-community-v2/dev_data --config es --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{grosman2021xlsr53-large-spanish,
  title={Fine-tuned {XLSR}-53 large model for speech recognition in {S}panish},
  author={Grosman, Jonatas},
  howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-large-xlsr-53-spanish}},
  year={2021}
}