Wav2vec2 Large Xlsr 53 Japanese

🚀 用於語音識別的微調日語Wav2Vec2模型（使用XLSR - 53大模型）

本項目是基於facebook/wav2vec2-large-xlsr-53模型，使用Common Voice、JVS和JSUT數據集對日語進行微調後的語音識別模型。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），以下是使用示例。

💻 使用示例

基礎用法

import torch
import librosa
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

LANG_ID = "ja"
MODEL_ID = "Ivydata/wav2vec2-large-xlsr-53-japanese"
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)

📚 詳細文檔

測試結果

下表展示了該模型在TEDxJP - 10K數據集上測試的字符錯誤率（CER）。

測試推理示例

引用方式

如果您想引用此模型，可以使用以下格式：

@misc{Ivydata2023-wav2vec2-xlsr53-large-japanese,
  title={Fine-tuned Japanese Wav2Vec2 model for speech recognition using XLSR-53 large},
  author={Kosuke Suzuki},
  howpublished={\url{https://huggingface.co/Ivydata/wav2vec2-large-xlsr-53-japanese/}},
  year={2023}
}

📄 許可證

本項目採用Apache - 2.0許可證。