Wav2vec2 Large Voxpopuli Sv Swedish

🚀 Wav2vec 2.0 large-voxpopuli-sv-swedish

這是在Facebook的VoxPopuli - sv large模型基礎上，使用瑞典廣播、NST和Common Voice數據進行額外預訓練和微調的版本，可用於自動語音識別任務。

🚀 快速開始

請注意，此模型性能更佳，且許可限制更少。

該模型是在Facebook的 VoxPopuli - sv large 模型基礎上，使用瑞典廣播、NST和Common Voice數據進行了額外的預訓練和微調。在不使用語言模型的情況下進行評估，結果如下：NST + Common Voice測試集（佔總句子的2%）的字錯率（WER）為 3.95%。Common Voice測試集的字錯率（WER）直接為 10.99%，使用4 - gram語言模型時為 7.82%。

使用此模型時，請確保您的語音輸入採樣率為16kHz。

✨ 主要特性

• 數據豐富：使用瑞典廣播、NST和Common Voice數據進行額外預訓練和微調。
• 性能評估：在不同測試集上有明確的字錯率（WER）和字符錯誤率（CER）指標。

📦 安裝指南

文檔未提及具體安裝步驟，故跳過此章節。

💻 使用示例

基礎用法

import torch
import torchaudio
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
test_dataset = load_dataset("common_voice", "sv-SE", split="test[:2%]")
processor = Wav2Vec2Processor.from_pretrained("KBLab/wav2vec2-large-voxpopuli-sv-swedish")
model = Wav2Vec2ForCTC.from_pretrained("KBLab/wav2vec2-large-voxpopuli-sv-swedish")
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])

高級用法

文檔未提及高級用法相關內容，故跳過此部分。

📚 詳細文檔

模型評估結果

• 任務：語音識別（automatic - speech - recognition）
• 數據集：Common Voice（sv - SE）
• 指標：
  • 測試字錯率（Test WER）：10.994764
  • 測試字符錯誤率（Test CER）：3.946846

🔧 技術細節

此模型在1000小時的瑞典本地廣播上進行了額外的預訓練，在NST + CommonVoice上進行了120000次更新的微調，然後僅在CommonVoice上又進行了20000次更新的微調。在CommonVoice上的額外微調在一定程度上影響了其在NST + CommonVoice測試集上的性能，但不出所料地提高了其在CommonVoice測試集上的性能。總體而言，它的表現似乎更好（需要引用證明）。

📄 許可證

本模型使用的許可證為 cc - by - nc - 4.0。