Wav2vec2 Large Xlsr 53 Spanish

🚀 Wav2Vec2-Large-XLSR-53-西班牙語模型

本項目在 https://huggingface.co/jonatasgrosman/wav2vec2-large-xlsr-53-spanish 的基礎上添加了自定義語言模型。它基於 Common Voice 數據集，在西班牙語數據上對 facebook/wav2vec2-large-xlsr-53 模型進行了微調。使用此模型時，請確保語音輸入的採樣率為 16kHz。

該模型的訓練得益於 OVHcloud 慷慨提供的 GPU 計算資源。訓練腳本可在 https://github.com/jonatasgrosman/wav2vec2-sprint 找到。

✨ 主要特性

• 微調模型：基於 facebook/wav2vec2-large-xlsr-53 在西班牙語數據上進行微調。
• 自定義語言模型：添加了自定義語言模型，提升識別效果。
• 多數據集支持：可在多個數據集上進行評估。

📦 安裝指南

文檔未提及安裝步驟，故跳過此章節。

💻 使用示例

基礎用法

使用 ASRecognition 庫進行語音識別：

from asrecognition import ASREngine

asr = ASREngine("es", model_path="jonatasgrosman/wav2vec2-large-xlsr-53-spanish")

audio_paths = ["/path/to/file.mp3", "/path/to/another_file.wav"]
transcriptions = asr.transcribe(audio_paths)

高級用法

編寫自己的推理腳本進行語音識別：

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-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。

📚 模型信息

模型評估結果

• Common Voice es 數據集（測試集）
  • Test WER: 8.82
  • Test CER: 2.58
  • Test WER (+LM): 6.27
  • Test CER (+LM): 2.06
• Robust Speech Event - Dev Data 數據集（驗證集）
  • Dev WER: 30.19
  • Dev CER: 13.56
  • Dev WER (+LM): 24.71
  • Dev CER (+LM): 12.61

📖 引用信息

如果您想引用此模型，可以使用以下 BibTeX 格式：

@misc{grosman2021wav2vec2-large-xlsr-53-spanish,
  title={XLSR Wav2Vec2 Spanish by Jonatas Grosman},
  author={Grosman, Jonatas},
  publisher={Hugging Face},
  journal={Hugging Face Hub},
  howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-large-xlsr-53-spanish}},
  year={2021}
}