Wav2vec2 Large Xlsr 53 German

🚀 用於德語語音識別的微調XLSR - 53大模型

本模型是在德語數據集上對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。訓練腳本可在以下鏈接找到：https://github.com/jonatasgrosman/wav2vec2-sprint

🚀 快速開始

本模型用於德語語音識別，基於微調的XLSR - 53大模型，能有效處理德語語音數據。使用時需注意語音輸入採樣率為16kHz。

✨ 主要特性

• 基於XLSR - 53大模型微調，適配德語語音識別。
• 可直接使用，也可結合語言模型提升性能。
• 訓練得益於OVHcloud的GPU資源支持。

📦 安裝指南

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

💻 使用示例

基礎用法

使用HuggingSound庫：

from huggingsound import SpeechRecognitionModel

model = SpeechRecognitionModel("jonatasgrosman/wav2vec2-large-xlsr-53-german")
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 = "de"
MODEL_ID = "jonatasgrosman/wav2vec2-large-xlsr-53-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)

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的test分割集上進行評估：

python eval.py --model_id jonatasgrosman/wav2vec2-large-xlsr-53-german --dataset mozilla-foundation/common_voice_6_0 --config de --split test

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

python eval.py --model_id jonatasgrosman/wav2vec2-large-xlsr-53-german --dataset speech-recognition-community-v2/dev_data --config de --split validation --chunk_length_s 5.0 --stride_length_s 1.0

引用

如果您想引用此模型，可以使用以下格式：

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

📄 許可證

本項目採用Apache 2.0許可證。

📋 模型信息