Wav2vec2 Large Xlsr 53 Italian

🚀 用於意大利語語音識別的微調XLSR - 53大模型

本模型是在意大利語語料上對 facebook/wav2vec2-large-xlsr-53 進行微調得到的，使用了 Common Voice 6.1 的訓練集和驗證集。使用此模型時，請確保語音輸入的採樣率為16kHz。

該模型的微調得益於 OVHcloud 慷慨提供的GPU計算資源。

訓練腳本可在此處找到：https://github.com/jonatasgrosman/wav2vec2-sprint

🚀 快速開始

本模型基於 facebook/wav2vec2-large-xlsr-53 在意大利語數據集上微調而來，可用於意大利語的自動語音識別任務。使用時需注意語音輸入的採樣率為16kHz。

✨ 主要特性

• 微調模型：基於XLSR - 53大模型在意大利語上進行微調，適配意大利語語音識別。
• 多數據集支持：使用了Common Voice等數據集進行訓練和評估。
• 指標評估：提供了詞錯誤率（WER）和字符錯誤率（CER）等評估指標。

📦 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、librosa、datasets等）的官方安裝說明。

💻 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-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-large-xlsr-53-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)

for i, predicted_sentence in enumerate(predicted_sentences):
    print("-" * 100)
    print("Reference:", test_dataset[i]["sentence"])
    print("Prediction:", predicted_sentence)

以下是部分識別結果示例：

📚 詳細文檔

評估方法

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-italian --dataset mozilla-foundation/common_voice_6_0 --config it --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-italian --dataset speech-recognition-community-v2/dev_data --config it --split validation --chunk_length_s 5.0 --stride_length_s 1.0

模型指標

部分評估結果如下：

• 在Common Voice it數據集上：
  • 測試集WER：9.41
  • 測試集CER：2.29
  • 測試集WER (+LM)：6.91
  • 測試集CER (+LM)：1.83
• 在Robust Speech Event - Dev Data數據集上：
  • 開發集WER：21.78
  • 開發集CER：7.94
  • 開發集WER (+LM)：15.82
  • 開發集CER (+LM)：6.83

📄 許可證

本模型使用Apache 2.0許可證。

🔧 技術細節

本模型基於 facebook/wav2vec2-large-xlsr-53 進行微調，使用了 Common Voice 6.1 的訓練集和驗證集。在微調過程中，通過GPU計算資源進行訓練，以適配意大利語的語音識別任務。

📚 引用說明

如果您想引用此模型，可以使用以下BibTeX格式：

@misc{grosman2021xlsr53-large-italian,
  title={Fine-tuned {XLSR}-53 large model for speech recognition in {I}talian},
  author={Grosman, Jonatas},
  howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-large-xlsr-53-italian}},
  year={2021}
}

⚠️ 重要提示

使用此模型時，請確保語音輸入的採樣率為16kHz。

💡 使用建議

可以根據具體需求調整評估腳本中的參數，如 chunk_length_s 和 stride_length_s 等，以獲得更好的評估效果。