Wav2vec2 Base Voxpopuli Sv Swedish

🚀 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)
# 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

數據集

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。