Wav2vec2 Large Xlsr 53 Russian

🚀 用於俄語語音識別的微調XLSR - 53大模型

本項目是在俄語語音識別領域的一次重要嘗試，通過對預訓練模型進行微調，顯著提升了俄語語音識別的準確性和魯棒性，為相關應用提供了強大的支持。

🚀 快速開始

本模型是基於 facebook/wav2vec2-large-xlsr-53 在俄語數據集上進行微調得到的。微調使用了 Common Voice 6.1 和 CSS10 的訓練集和驗證集。使用此模型時，請確保語音輸入的採樣率為 16kHz。

本模型的微調得益於 OVHcloud 慷慨提供的 GPU 計算資源。訓練腳本可在以下鏈接找到：https://github.com/jonatasgrosman/wav2vec2-sprint

✨ 主要特性

• 多數據集微調：使用了多個權威數據集進行微調，提升了模型的泛化能力。
• 高精度識別：在多個評估指標上表現出色，如 WER 和 CER 指標較低。
• 易於使用：支持直接使用，也可通過編寫腳本進行自定義推理。

📦 安裝指南

文檔未提及具體安裝步驟，可參考模型相關依賴庫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-large-xlsr-53-russian")
audio_paths = ["/path/to/file.mp3", "/path/to/another_file.wav"]

transcriptions = model.transcribe(audio_paths)

高級用法

編寫自己的推理腳本：

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

LANG_ID = "ru"
MODEL_ID = "jonatasgrosman/wav2vec2-large-xlsr-53-russian"
SAMPLES = 5

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)

以下是部分預測結果示例：

📚 詳細文檔

評估方法

1. 在 mozilla-foundation/common_voice_6_0 數據集的 test 分割上進行評估：

python eval.py --model_id jonatasgrosman/wav2vec2-large-xlsr-53-russian --dataset mozilla-foundation/common_voice_6_0 --config ru --split test

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

python eval.py --model_id jonatasgrosman/wav2vec2-large-xlsr-53-russian --dataset speech-recognition-community-v2/dev_data --config ru --split validation --chunk_length_s 5.0 --stride_length_s 1.0

模型評估結果

📄 許可證

本模型使用 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{grosman2021xlsr53-large-russian,
  title={Fine-tuned {XLSR}-53 large model for speech recognition in {R}ussian},
  author={Grosman, Jonatas},
  howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-large-xlsr-53-russian}},
  year={2021}
}