Wav2vec2 Large Xlsr 53 Hungarian
基於facebook/wav2vec2-large-xlsr-53在匈牙利語Common Voice數據集上微調的自動語音識別模型
下載量 17
發布時間 : 3/2/2025
模型概述
這是一個針對匈牙利語優化的自動語音識別(ASR)模型,在Mozilla Common Voice 17.0匈牙利語數據集上微調,能夠將匈牙利語語音轉換為文本。
模型特點
匈牙利語優化
專門針對匈牙利語語音識別任務進行了微調優化
高性能
在Common Voice測試集上達到17.28%的詞錯誤率,優於同類模型
基於Wav2Vec2架構
採用Facebook先進的Wav2Vec2-large-xlsr-53作為基礎模型
模型能力
匈牙利語語音識別
語音轉文本
自動語音轉錄
使用案例
語音轉錄
匈牙利語語音轉錄
將匈牙利語語音內容轉換為文本
詞錯誤率17.28%
語音助手
匈牙利語語音指令識別
用於匈牙利語語音助手或語音控制系統的語音識別模塊
🚀 wav2vec2-large-xlsr-53-hungarian
這個模型是 facebook/wav2vec2-large-xlsr-53 在 MOZILLA-FOUNDATION/COMMON_VOICE_17_0 - HU 數據集上的微調版本。它能夠將語音數據轉換為文本,在語音識別領域有重要應用價值。
🚀 快速開始
這個模型是 facebook/wav2vec2-large-xlsr-53 在 MOZILLA-FOUNDATION/COMMON_VOICE_17_0 - HU 數據集上的微調版本。它在評估集上取得了以下結果:
- 損失值:0.1748
- 詞錯誤率(Wer):0.2997
由於忽略了部分字符,訓練和測量的詞錯誤率值有所不同。
✨ 主要特性
模型對比
與之前最佳的 wav2vec 模型(在 CV17 上評估)相比,本模型表現更優:
模型名稱 | 詞錯誤率(WER) | 字符錯誤率(CER) |
---|---|---|
jonatasgrosman/wav2vec2-large-xlsr-53-hungarian | 46.199835320230555 | 9.85170677112479 |
sarpba/wav2vec2-large-xlsr-53-hungarian | 17.27824914378453 | 3.151354554132789 |
評估時忽略的字符如下:
CHARS_TO_IGNORE = [",", "?", "¿", ".", "!", "¡", ";", ";", ":", '""', "%", '"', "�", "ʿ", "·", "჻", "~", "՞",
"؟", "،", "।", "॥", "«", "»", "„", "“", "”", "「", "」", "‘", "’", "《", "》", "(", ")", "[", "]",
"{", "}", "=", "`", "_", "+", "<", ">", "…", "–", "°", "´", "ʾ", "‹", "›", "©", "®", "—", "→", "。",
"、", "﹂", "﹁", "‧", "~", "﹏", ",", "{", "}", "(", ")", "[", "]", "【", "】", "‥", "〽",
"『", "』", "〝", "〟", "⟨", "⟩", "〜", ":", "!", "?", "♪", "؛", "/", "\\", "º", "−", "^", "ʻ", "ˆ"]
💻 使用示例
基礎用法
import torch
import librosa
import re
import warnings
from datasets import load_dataset
import evaluate
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
LANG_ID = "hu"
MODEL_ID = "jonatasgrosman/wav2vec2-large-xlsr-53-hungarian"
DEVICE = "cuda"
CHARS_TO_IGNORE = [",", "?", "¿", ".", "!", "¡", ";", ";", ":", '""', "%", '"', "�", "ʿ", "·", "჻", "~", "՞",
"؟", "،", "।", "॥", "«", "»", "„", "“", "”", "「", "」", "‘", "’", "《", "》", "(", ")", "[", "]",
"{", "}", "=", "`", "_", "+", "<", ">", "…", "–", "°", "´", "ʾ", "‹", "›", "©", "®", "—", "→", "。",
"、", "﹂", "﹁", "‧", "~", "﹏", ",", "{", "}", "(", ")", "[", "]", "【", "】", "‥", "〽",
"『", "』", "〝", "〟", "⟨", "⟩", "〜", ":", "!", "?", "♪", "؛", "/", "\\", "º", "−", "^", "ʻ", "ˆ"]
test_dataset = load_dataset("mozilla-foundation/common_voice_17_0", LANG_ID, split="test")
wer = evaluate.load("wer") # https://github.com/jonatasgrosman/wav2vec2-sprint/blob/main/wer.py
cer = evaluate.load("cer") # https://github.com/jonatasgrosman/wav2vec2-sprint/blob/main/cer.py
chars_to_ignore_regex = f"[{re.escape(''.join(CHARS_TO_IGNORE))}]"
processor = Wav2Vec2Processor.from_pretrained(MODEL_ID)
model = Wav2Vec2ForCTC.from_pretrained(MODEL_ID)
model.to(DEVICE)
# Preprocessing the datasets.
# We need to read the audio files as arrays
def speech_file_to_array_fn(batch):
with warnings.catch_warnings():
warnings.simplefilter("ignore")
speech_array, sampling_rate = librosa.load(batch["path"], sr=16_000)
batch["speech"] = speech_array
batch["sentence"] = re.sub(chars_to_ignore_regex, "", batch["sentence"]).upper()
return batch
test_dataset = test_dataset.map(speech_file_to_array_fn)
# Preprocessing the datasets.
# We need to read the audio 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(DEVICE), attention_mask=inputs.attention_mask.to(DEVICE)).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)
predictions = [x.upper() for x in result["pred_strings"]]
references = [x.upper() for x in result["sentence"]]
print(f"WER: {wer.compute(predictions=predictions, references=references) * 100}")
print(f"CER: {cer.compute(predictions=predictions, references=references) * 100}")
🔧 技術細節
訓練過程
訓練超參數
訓練過程中使用了以下超參數:
- 學習率:0.0003
- 訓練批次大小:16
- 評估批次大小:8
- 隨機種子:42
- 分佈式類型:多 GPU
- 設備數量:2
- 梯度累積步數:2
- 總訓練批次大小:64
- 總評估批次大小:16
- 優化器:使用 OptimizerNames.ADAMW_TORCH,β值為 (0.9, 0.999),ε值為 1e-08,無額外優化器參數
- 學習率調度器類型:線性
- 學習率調度器熱身步數:500
- 訓練輪數:15.0
- 混合精度訓練:原生 AMP
訓練結果
訓練損失 | 輪數 | 步數 | 驗證損失 | 詞錯誤率(Wer) |
---|---|---|---|---|
3.7968 | 1.0 | 758 | 0.2848 | 0.5295 |
0.2547 | 2.0 | 1516 | 0.1908 | 0.4222 |
0.1929 | 3.0 | 2274 | 0.1753 | 0.4000 |
0.1532 | 4.0 | 3032 | 0.1558 | 0.3710 |
0.1297 | 5.0 | 3790 | 0.1512 | 0.3536 |
0.1167 | 6.0 | 4548 | 0.1574 | 0.3514 |
0.101 | 7.0 | 5306 | 0.1483 | 0.3374 |
0.0859 | 8.0 | 6064 | 0.1490 | 0.3299 |
0.0791 | 9.0 | 6822 | 0.1523 | 0.3250 |
0.0702 | 10.0 | 7580 | 0.1608 | 0.3192 |
0.0629 | 11.0 | 8338 | 0.1664 | 0.3146 |
0.0559 | 12.0 | 9096 | 0.1641 | 0.3103 |
0.0527 | 13.0 | 9854 | 0.1665 | 0.3063 |
0.0468 | 14.0 | 10612 | 0.1691 | 0.3011 |
0.0443 | 15.0 | 11370 | 0.1748 | 0.2998 |
框架版本
- Transformers 4.50.0.dev0
- Pytorch 2.6.0+cu124
- Datasets 3.3.2
- Tokenizers 0.21.0
📄 許可證
本項目採用 Apache-2.0 許可證。
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