🚀 Wav2vec 2.0 base-voxpopuli-sv-swedish
本項目是基於Facebook的 VoxPopuli-sv base 模型,使用NST和Common Voice數據進行微調後的版本。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 5.62%,Common Voice測試集的字錯率(WER)為 19.15%。使用該模型時,請確保語音輸入的採樣率為16kHz。
🚀 快速開始
本模型可直接使用(無需語言模型),具體使用方法如下:
💻 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-base-voxpopuli-sv-swedish")
model = Wav2Vec2ForCTC.from_pretrained("KBLab/wav2vec2-base-voxpopuli-sv-swedish")
resampler = torchaudio.transforms.Resample(48_000, 16_000)
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
數據集
屬性 |
詳情 |
數據集 |
common_voice、NST Swedish ASR Database |
評估指標
本模型使用字錯率(WER)作為評估指標。
模型索引
- 模型名稱:Wav2vec 2.0 base VoxPopuli-sv swedish
- 評估結果:
- 任務:語音識別(automatic-speech-recognition)
- 數據集:NST Swedish ASR Database
- 評估指標:測試字錯率(Test WER),值為 5.619804368919309
- 任務:語音識別(automatic-speech-recognition)
- 數據集:Common Voice(sv-SE)
- 評估指標:測試字錯率(Test WER),值為 19.145252414798616
許可證
本模型使用的許可證為 cc-by-nc-4.0。
標籤
本模型的標籤包括:audio、automatic-speech-recognition、speech、voxpopuli。
⚠️ 重要提示
使用該模型時,請確保語音輸入的採樣率為16kHz。