Wav2vec2 Large Xlsr 53 Polish

🚀 用於波蘭語語音識別的微調XLSR - 53大模型

本項目是在Common Voice 6.1的訓練集和驗證集上，對facebook/wav2vec2-large-xlsr-53進行微調，以實現波蘭語語音識別。使用該模型時，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。訓練腳本可在此處找到。

🚀 快速開始

本模型可直接使用（無需語言模型），以下是具體使用方法。

✨ 主要特性

• 基於微調的XLSR - 53大模型，適用於波蘭語語音識別。
• 支持直接調用，也可編寫自定義推理腳本。
• 提供了在不同數據集上的評估腳本。

📦 安裝指南

文檔未提及具體安裝步驟，可參考相關依賴庫的官方文檔進行安裝，如huggingsound、torch、librosa、datasets、transformers等。

💻 使用示例

基礎用法

使用HuggingSound庫：

from huggingsound import SpeechRecognitionModel

model = SpeechRecognitionModel("jonatasgrosman/wav2vec2-large-xlsr-53-polish")
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 = "pl"
MODEL_ID = "jonatasgrosman/wav2vec2-large-xlsr-53-polish"
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)

以下是預測結果示例：

📚 詳細文檔

評估

1. 在mozilla-foundation/common_voice_6_0的test分割集上進行評估：

python eval.py --model_id jonatasgrosman/wav2vec2-large-xlsr-53-polish --dataset mozilla-foundation/common_voice_6_0 --config pl --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-polish --dataset speech-recognition-community-v2/dev_data --config pl --split validation --chunk_length_s 5.0 --stride_length_s 1.0

📄 許可證

本項目採用Apache - 2.0許可證。

📚 模型信息

📚 模型評估結果

📚 引用信息

如果您想引用此模型，可以使用以下BibTeX格式：

@misc{grosman2021xlsr53-large-polish,
  title={Fine-tuned {XLSR}-53 large model for speech recognition in {P}olish},
  author={Grosman, Jonatas},
  howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-large-xlsr-53-polish}},
  year={2021}
}