Wav2vec2 Xls R 1b Russian

🚀 用於俄語語音識別的微調XLS - R 1B模型

本項目是在俄語語音識別領域的一次重要嘗試，通過對[facebook/wav2vec2 - xls - r - 1b](https://huggingface.co/facebook/wav2vec2 - xls - r - 1b)模型進行微調，使其能夠更精準地處理俄語語音。使用了[Common Voice 8.0](https://huggingface.co/datasets/mozilla - foundation/common_voice_8_0)、Golos和Multilingual TEDx的訓練集和驗證集進行微調訓練。使用該模型時，請確保語音輸入採樣率為16kHz。

該模型藉助HuggingSound工具進行微調，同時感謝[OVHcloud](https://www.ovhcloud.com/en/public - cloud/ai - training/)慷慨提供的GPU計算資源。

✨ 主要特性

• 基於微調的XLS - R 1B模型，對俄語語音識別有良好效果。
• 可通過不同方式使用，如藉助HuggingSound庫或編寫自定義推理腳本。
• 提供了評估命令，方便對模型在不同數據集上進行評估。

📦 安裝指南

文檔未提及具體安裝步驟，可參考相關依賴庫（如transformers、librosa、datasets等）的官方安裝說明進行安裝。

💻 使用示例

基礎用法

使用HuggingSound庫：

from huggingsound import SpeechRecognitionModel

model = SpeechRecognitionModel("jonatasgrosman/wav2vec2-xls-r-1b-russian")
audio_paths = ["/path/to/file.mp3", "/path/to/another_file.wav"]

transcriptions = model.transcribe(audio_paths)

高級用法

編寫自定義推理腳本：

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

LANG_ID = "ru"
MODEL_ID = "jonatasgrosman/wav2vec2-xls-r-1b-russian"
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)

📚 詳細文檔

評估命令

1. 在mozilla - foundation/common_voice_8_0的test分割集上進行評估：

python eval.py --model_id jonatasgrosman/wav2vec2-xls-r-1b-russian --dataset mozilla-foundation/common_voice_8_0 --config ru --split test

2. 在speech - recognition - community - v2/dev_data上進行評估：

python eval.py --model_id jonatasgrosman/wav2vec2-xls-r-1b-russian --dataset speech-recognition-community-v2/dev_data --config ru --split validation --chunk_length_s 5.0 --stride_length_s 1.0

模型信息

📄 許可證

本項目採用Apache 2.0許可證。

📚 引用

如果您想引用此模型，可以使用以下BibTeX格式：

@misc{grosman2021xlsr-1b-russian,
  title={Fine-tuned {XLS-R} 1{B} model for speech recognition in {R}ussian},
  author={Grosman, Jonatas},
  howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-xls-r-1b-russian}},
  year={2022}
}