Wav2vec2 Large Chinese Zh Cn

🚀 用於中文語音識別的微調XLSR - 53大模型

本項目微調了facebook/wav2vec2-large-xlsr-53模型，使用了Common Voice 6.1、CSS10和ST - CMDS的訓練集和驗證集進行中文微調。使用該模型時，請確保語音輸入的採樣率為16kHz。

此模型在RTX3090上進行了50小時的微調訓練。訓練腳本可在以下鏈接找到：https://github.com/jonatasgrosman/wav2vec2-sprint

🚀 快速開始

本模型是基於facebook/wav2vec2-large-xlsr-53在中文數據集上微調得到的語音識別模型。它可以對中文語音進行有效的識別，在多箇中文數據集上進行了訓練和驗證，使用時需注意語音輸入採樣率為16kHz。

✨ 主要特性

• 基於XLSR - 53大模型進行微調，適用於中文語音識別。
• 可直接使用，無需語言模型。
• 提供了訓練腳本和評估腳本，方便用戶使用和評估。

📦 安裝指南

文檔未提及具體安裝步驟，可參考相關依賴庫（如huggingsound、transformers、datasets等）的官方安裝指南進行安裝。

💻 使用示例

基礎用法

使用HuggingSound庫可以直接使用該模型進行語音識別：

from huggingsound import SpeechRecognitionModel
model = SpeechRecognitionModel("wbbbbb/wav2vec2-large-chinese-zh-cn")
audio_paths = ["/path/to/file.mp3", "/path/to/another_file.wav"]
transcriptions = model.transcribe(audio_paths)

📚 詳細文檔

評估

該模型可以在Common Voice的中文（zh - CN）測試數據上進行評估，以下是評估代碼：

import torch
import re
import librosa
from datasets import load_dataset, load_metric
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import warnings
import os

os.environ["KMP_AFFINITY"] = ""


LANG_ID = "zh-CN"
MODEL_ID = "zh-CN-output-aishell"
DEVICE = "cuda"

test_dataset = load_dataset("common_voice", LANG_ID, split="test")

wer = load_metric("wer")
cer = load_metric("cer")

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("([^\u4e00-\u9fa5\u0030-\u0039])", "", batch["sentence"]).lower() + " "
    )
    return batch


test_dataset = test_dataset.map(
    speech_file_to_array_fn,
    num_proc=15,
    remove_columns=['client_id', 'up_votes', 'down_votes', 'age', 'gender', 'accent', 'locale', 'segment'],
)

# 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.lower() for x in result["pred_strings"]]
references = [x.lower() for x in result["sentence"]]

print(
    f"WER: {wer.compute(predictions=predictions, references=references, chunk_size=1000) * 100}"
)
print(f"CER: {cer.compute(predictions=predictions, references=references) * 100}")

測試結果

以下表格展示了該模型以及其他模型的詞錯誤率（WER）和字符錯誤率（CER）。評估腳本於2022 - 07 - 18運行，表格中的結果可能與其他評估腳本的結果不同，這可能是由於使用的評估腳本的特殊性導致的。

📄 許可證

本模型使用的許可證為apache - 2.0。

📚 引用

如果您想引用此模型，可以使用以下BibTeX格式：

@misc{grosman2021xlsr53-large-chinese,
  title={Fine-tuned {XLSR}-53 large model for speech recognition in {C}hinese},
  author={Grosman, Jonatas},
  howpublished={\url{https://huggingface.co/wbbbbb/wav2vec2-large-chinese-zh-cn}},
  year={2021}
}