Wav2vec2 Xls R 300m Cs 250

🚀 捷克語wav2vec2-xls-r-300m-cs-250

這個模型是基於 facebook/wav2vec2-xls-r-300m 在Common Voice 8.0數據集以及其他以下列出的數據集上進行微調的版本。它在自動語音識別任務中表現出色，能夠將語音準確地轉換為文本，為相關領域的應用提供了有力支持。

🚀 快速開始

模型使用

該模型可以直接使用（無需語言模型），示例代碼如下：

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

test_dataset = load_dataset("mozilla-foundation/common_voice_8_0", "cs", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("comodoro/wav2vec2-xls-r-300m-cs-250")
model = Wav2Vec2ForCTC.from_pretrained("comodoro/wav2vec2-xls-r-300m-cs-250")

resampler = torchaudio.transforms.Resample(48_000, 16_000)

# Preprocessing the datasets.
# We need to read the aduio files as arrays
def speech_file_to_array_fn(batch):
	speech_array, sampling_rate = torchaudio.load(batch["path"])
	batch["speech"] = resampler(speech_array).squeeze().numpy()
	return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)
inputs = processor(test_dataset[:2]["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)

print("Prediction:", processor.batch_decode(predicted_ids))
print("Reference:", test_dataset[:2]["sentence"])

模型評估

可以使用附帶的 eval.py 腳本對模型進行評估：

python eval.py --model_id comodoro/wav2vec2-xls-r-300m-cs-250 --dataset mozilla-foundation/common-voice_8_0 --split test --config cs

✨ 主要特性

• 基於 facebook/wav2vec2-xls-r-300m 模型進行微調，在捷克語語音識別任務上有良好表現。
• 支持直接使用，無需額外的語言模型。
• 可通過 eval.py 腳本進行評估。

📦 訓練和評估數據

訓練使用了Common Voice 8.0的 train 和 validation 數據集，以及以下數據集：

• Šmídl, Luboš和Pražák, Aleš, 2013, OVM – Otázky Václava Moravce, LINDAT/CLARIAH - CZ數字圖書館，形式與應用語言學研究所 (ÚFAL)，數學與物理學院，查爾斯大學，http://hdl.handle.net/11858/00 - 097C - 0000 - 000D - EC98 - 3。
• Pražák, Aleš和Šmídl, Luboš, 2012, 捷克議會會議記錄, LINDAT/CLARIAH - CZ數字圖書館，形式與應用語言學研究所 (ÚFAL)，數學與物理學院，查爾斯大學，http://hdl.handle.net/11858/00 - 097C - 0000 - 0005 - CF9C - 4。
• Plátek, Ondřej; Dušek, Ondřej和Jurčíček, Filip, 2016, Vystadial 2016 – 捷克語數據, LINDAT/CLARIAH - CZ數字圖書館，形式與應用語言學研究所 (ÚFAL)，數學與物理學院，查爾斯大學，http://hdl.handle.net/11234/1 - 1740。

訓練超參數

訓練過程中使用了以下超參數：

訓練結果

框架版本

• Transformers 4.16.2
• Pytorch 1.10.1+cu102
• Datasets 1.18.3
• Tokenizers 0.11.0

📄 許可證

本項目採用Apache 2.0許可證。