Wav2vec2 Large Xlsr 53 Turkish
基於Facebook的wav2vec2-large-xlsr-53模型在土耳其語Common Voice數據集上微調的語音識別模型
下載量 68
發布時間 : 3/2/2022
模型概述
這是一個專門針對土耳其語的自動語音識別(ASR)模型,能夠將土耳其語語音轉換為文本。
模型特點
土耳其語優化
專門針對土耳其語進行微調,處理土耳其語特有的字符和發音特點
高性能
在Common Voice土耳其語測試集上達到17.46%的詞錯誤率(WER)
無需語言模型
可直接使用,無需額外的語言模型支持
模型能力
土耳其語語音識別
16kHz音頻處理
使用案例
語音轉文字
語音轉錄
將土耳其語語音內容轉換為文本
準確率達到82.54%(WER 17.46%)
🚀 Wav2Vec2-Large-XLSR-53-土耳其語模型
本模型基於 facebook/wav2vec2-large-xlsr-53,使用 Common Voice 數據集針對土耳其語進行了微調。使用該模型時,請確保輸入的語音採樣率為 16kHz。
🚀 快速開始
✨ 主要特性
- 適用任務:自動語音識別。
- 訓練數據:採用 Common Voice 土耳其語數據集。
- 評估指標:詞錯誤率(WER),測試集 WER 為 17.46%。
📦 安裝指南
文檔未提及具體安裝步驟,可參考 Hugging Face 相關模型的通用安裝方式。
💻 使用示例
基礎用法
import torch
import torchaudio
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
from unicode_tr import unicode_tr
test_dataset = load_dataset("common_voice", "tr", split="test[:2%]")
processor = Wav2Vec2Processor.from_pretrained("aniltrkkn/wav2vec2-large-xlsr-53-turkish")
model = Wav2Vec2ForCTC.from_pretrained("aniltrkkn/wav2vec2-large-xlsr-53-turkish")
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["speech"][:2], 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["sentence"][:2])
📚 詳細文檔
評估
該模型可在 Common Voice 土耳其語測試數據上進行評估,示例代碼如下:
import torch
import torchaudio
from datasets import load_dataset, load_metric
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import re
test_dataset = load_dataset("common_voice", "tr", split="test")
wer = load_metric("wer")
processor = Wav2Vec2Processor.from_pretrained("aniltrkkn/wav2vec2-large-xlsr-53-turkish")
model = Wav2Vec2ForCTC.from_pretrained("aniltrkkn/wav2vec2-large-xlsr-53-turkish")
model.to("cuda")
chars_to_ignore_regex = '[\\,\\?\\.\\!\\-\\;\\:\\\"\\“]'
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):
batch["sentence"] = str(unicode_tr(re.sub(chars_to_ignore_regex, "", batch["sentence"])).lower())
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)
# Preprocessing the datasets.
# We need to read the aduio files as arrays
def evaluate(batch):
inputs = processor(batch["speech"], sampling_rate=16_000, return_tensors="pt", padding=True)
with torch.no_grad():
logits = model(inputs.input_values.to("cuda"), attention_mask=inputs.attention_mask.to("cuda")).logits
pred_ids = torch.argmax(logits, dim=-1)
batch["pred_strings"] = processor.batch_decode(pred_ids)
return batch
result = test_dataset.map(evaluate, batched=True, batch_size=8)
print("WER: {:2f}".format(100 * wer.compute(predictions=result["pred_strings"], references=result["sentence"])))
測試結果:17.46 %
訓練
由於常規的 lower() 函數在處理土耳其語時效果不佳,因此使用 unicode_tr 包將句子轉換為小寫。
鑑於土耳其語的訓練數據非常有限,採用 K 折(k = 5)訓練方法使用所有數據進行訓練,並上傳 5 次訓練中表現最佳的模型。訓練參數如下:
--num_train_epochs="30"
--per_device_train_batch_size="32"
--evaluation_strategy="steps"
--activation_dropout="0.055"
--attention_dropout="0.094"
--feat_proj_dropout="0.04"
--hidden_dropout="0.047"
--layerdrop="0.041"
--learning_rate="2.34e-4"
--mask_time_prob="0.082"
--warmup_steps="250"
使用 GeForce RTX 3090 顯卡,每次訓練大約需要 20 小時。
🔧 技術細節
- 模型微調:基於 facebook/wav2vec2-large-xlsr-53 模型在土耳其語上進行微調。
- 數據處理:使用 unicode_tr 包處理土耳其語大小寫轉換,以解決常規 lower() 函數的不足。
- 訓練策略:採用 K 折(k = 5)訓練方法,充分利用有限的訓練數據。
📄 許可證
本模型使用 Apache 2.0 許可證。
信息表格
屬性 | 詳情 |
---|---|
模型類型 | Wav2Vec2-Large-XLSR-53-土耳其語 |
訓練數據 | Common Voice 土耳其語數據集 |
評估指標 | 詞錯誤率(WER) |
測試集 WER | 17.46% |
許可證 | Apache 2.0 |
Voice Activity Detection
MIT
基於pyannote.audio 2.1版本的語音活動檢測模型,用於識別音頻中的語音活動時間段
語音識別
V
pyannote
7.7M
181
Wav2vec2 Large Xlsr 53 Portuguese
Apache-2.0
這是一個針對葡萄牙語語音識別任務微調的XLSR-53大模型,基於Common Voice 6.1數據集訓練,支持葡萄牙語語音轉文本。
語音識別 其他
W
jonatasgrosman
4.9M
32
Whisper Large V3
Apache-2.0
Whisper是由OpenAI提出的先進自動語音識別(ASR)和語音翻譯模型,在超過500萬小時的標註數據上訓練,具有強大的跨數據集和跨領域泛化能力。
語音識別 支持多種語言
W
openai
4.6M
4,321
Whisper Large V3 Turbo
MIT
Whisper是由OpenAI開發的最先進的自動語音識別(ASR)和語音翻譯模型,經過超過500萬小時標記數據的訓練,在零樣本設置下展現出強大的泛化能力。
語音識別
Transformers 支持多種語言

W
openai
4.0M
2,317
Wav2vec2 Large Xlsr 53 Russian
Apache-2.0
基於facebook/wav2vec2-large-xlsr-53模型微調的俄語語音識別模型,支持16kHz採樣率的語音輸入
語音識別 其他
W
jonatasgrosman
3.9M
54
Wav2vec2 Large Xlsr 53 Chinese Zh Cn
Apache-2.0
基於facebook/wav2vec2-large-xlsr-53模型微調的中文語音識別模型,支持16kHz採樣率的語音輸入。
語音識別 中文
W
jonatasgrosman
3.8M
110
Wav2vec2 Large Xlsr 53 Dutch
Apache-2.0
基於facebook/wav2vec2-large-xlsr-53微調的荷蘭語語音識別模型,在Common Voice和CSS10數據集上訓練,支持16kHz音頻輸入。
語音識別 其他
W
jonatasgrosman
3.0M
12
Wav2vec2 Large Xlsr 53 Japanese
Apache-2.0
基於facebook/wav2vec2-large-xlsr-53模型微調的日語語音識別模型,支持16kHz採樣率的語音輸入
語音識別 日語
W
jonatasgrosman
2.9M
33
Mms 300m 1130 Forced Aligner
基於Hugging Face預訓練模型的文本與音頻強制對齊工具,支持多種語言,內存效率高
語音識別
Transformers 支持多種語言

M
MahmoudAshraf
2.5M
50
Wav2vec2 Large Xlsr 53 Arabic
Apache-2.0
基於facebook/wav2vec2-large-xlsr-53微調的阿拉伯語語音識別模型,在Common Voice和阿拉伯語語音語料庫上訓練
語音識別 阿拉伯語
W
jonatasgrosman
2.3M
37
精選推薦AI模型
Llama 3 Typhoon V1.5x 8b Instruct
專為泰語設計的80億參數指令模型,性能媲美GPT-3.5-turbo,優化了應用場景、檢索增強生成、受限生成和推理任務
大型語言模型
Transformers 支持多種語言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一個基於SODA數據集訓練的超小型對話模型,專為邊緣設備推理設計,體積僅為Cosmo-3B模型的2%左右。
對話系統
Transformers 英語

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基於RoBERTa架構的中文抽取式問答模型,適用於從給定文本中提取答案的任務。
問答系統 中文
R
uer
2,694
98