Wav2vec2 Large Xlsr 53 Japanese
基於facebook/wav2vec2-large-xlsr-53模型微調的日語語音識別模型,支持16kHz採樣率的語音輸入
下載量 2.9M
發布時間 : 3/2/2022
模型概述
這是一個針對日語語音識別任務微調的XLSR-53大模型,基於Common Voice 6.1、CSS10和JSUT數據集訓練,適用於日語語音轉文本任務。
模型特點
多數據集訓練
結合了Common Voice 6.1、CSS10和JSUT三個日語數據集進行訓練,提高模型泛化能力
無需語言模型
可直接使用進行語音識別,無需額外語言模型支持
16kHz採樣率支持
專為16kHz採樣率的語音輸入優化
模型能力
日語語音識別
音頻轉文本
自動語音轉錄
使用案例
語音轉錄
日語語音轉文字
將日語語音內容轉換為文本格式
CER 20.16%, WER 81.80%(在Common Voice日語測試集上)
語音助手
日語語音指令識別
用於日語語音助手或控制系統的語音指令識別
🚀 用於日語語音識別的微調XLSR - 53大模型
本項目微調了 facebook/wav2vec2-large-xlsr-53 模型,使其適用於日語語音識別。該微調基於 Common Voice 6.1、CSS10 和 JSUT 的訓練集和驗證集完成。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
🚀 快速開始
本模型可直接使用(無需語言模型),以下為具體使用方式。
✨ 主要特性
- 基於微調的 XLSR - 53 大模型,適用於日語語音識別。
- 可直接使用,無需額外的語言模型。
- 提供了使用 HuggingSound 庫和自定義推理腳本的使用示例。
📦 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
、transformers
、datasets
、torch
、librosa
等。
💻 使用示例
基礎用法
使用 HuggingSound 庫:
from huggingsound import SpeechRecognitionModel
model = SpeechRecognitionModel("jonatasgrosman/wav2vec2-large-xlsr-53-japanese")
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 = "ja"
MODEL_ID = "jonatasgrosman/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)
以下是部分預測結果示例:
參考文本 | 預測文本 |
---|---|
祖母は、おおむね機嫌よく、サイコロをころがしている。 | 人母は重にきね起くさいがしている |
財布をなくしたので、交番へ行きます。 | 財布をなく手端ので勾番へ行きます |
飲み屋のおやじ、旅館の主人、醫者をはじめ、交際のある人にきいてまわったら、みんな、私より収入が多いはずなのに、稅金は安い。 | ノ宮屋のお親じ旅館の主に醫者をはじめ交際のアル人トに聞いて回ったらみんな私より収入が多いはなうに稅金は安い |
新しい靴をはいて出かけます。 | だらしい靴をはいて出かけます |
このためプラズマ中のイオンや電子の持つ平均運動エネルギーを溫度で表現することがある | このためプラズマ中のイオンや電子の持つ平均運動エネルギーを溫度で表弁することがある |
松井さんはサッカーより野球のほうが上手です。 | 松井さんはサッカーより野球のほうが上手です |
新しいお皿を使います。 | 新しいお皿を使います |
結婚以來三年半ぶりの東京も、舊友とのお酒も、夜行列車も、駅で寢て、朝を待つのも久しぶりだ。 | 結婚ル二來三年半降りの東京も吸とのお酒も野越者も駅で寢て朝を待つの久しぶりた |
これまで、少年野球、ママさんバレーなど、地域スポーツを支え、市民に密著してきたのは、無數のボランティアだった。 | これまで少年野球 |
靴を脫いで、スリッパをはきます。 | 靴を脫いでスイパーをはきます |
📚 詳細文檔
評估模型
可按以下方式在 Common Voice 的日語測試數據上評估模型:
import torch
import re
import librosa
from datasets import load_dataset, load_metric
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
LANG_ID = "ja"
MODEL_ID = "jonatasgrosman/wav2vec2-large-xlsr-53-japanese"
DEVICE = "cuda"
CHARS_TO_IGNORE = [",", "?", "¿", ".", "!", "¡", ";", ";", ":", '""', "%", '"', "�", "ʿ", "·", "჻", "~", "՞",
"؟", "،", "।", "॥", "«", "»", "„", "“", "”", "「", "」", "‘", "’", "《", "》", "(", ")", "[", "]",
"{", "}", "=", "`", "_", "+", "<", ">", "…", "–", "°", "´", "ʾ", "‹", "›", "©", "®", "—", "→", "。",
"、", "﹂", "﹁", "‧", "~", "﹏", ",", "{", "}", "(", ")", "[", "]", "【", "】", "‥", "〽",
"『", "』", "〝", "〟", "⟨", "⟩", "〜", ":", "!", "?", "♪", "؛", "/", "\\", "º", "−", "^", "'", "ʻ", "ˆ"]
test_dataset = load_dataset("common_voice", LANG_ID, split="test")
wer = load_metric("wer.py") # https://github.com/jonatasgrosman/wav2vec2-sprint/blob/main/wer.py
cer = load_metric("cer.py") # https://github.com/jonatasgrosman/wav2vec2-sprint/blob/main/cer.py
chars_to_ignore_regex = f"[{re.escape(''.join(CHARS_TO_IGNORE))}]"
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(chars_to_ignore_regex, "", batch["sentence"]).upper()
return batch
test_dataset = test_dataset.map(speech_file_to_array_fn)
# 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.upper() for x in result["pred_strings"]]
references = [x.upper() 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, chunk_size=1000) * 100}")
測試結果
以下表格展示了本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 2021 - 05 - 10 運行。請注意,表格中的結果可能與之前報告的結果不同,這可能是由於使用了不同的評估腳本導致的。
模型 | WER | CER |
---|---|---|
jonatasgrosman/wav2vec2-large-xlsr-53-japanese | 81.80% | 20.16% |
vumichien/wav2vec2-large-xlsr-japanese | 1108.86% | 23.40% |
qqhann/w2v_hf_jsut_xlsr53 | 1012.18% | 70.77% |
📄 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{grosman2021xlsr53-large-japanese,
title={Fine-tuned {XLSR}-53 large model for speech recognition in {J}apanese},
author={Grosman, Jonatas},
howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-large-xlsr-53-japanese}},
year={2021}
}
Voice Activity Detection
MIT
基於pyannote.audio 2.1版本的語音活動檢測模型,用於識別音頻中的語音活動時間段
語音識別
V
pyannote
7.7M
181
Wav2vec2 Large Xlsr 53 Portuguese
Apache-2.0
這是一個針對葡萄牙語語音識別任務微調的XLSR-53大模型,基於Common Voice 6.1數據集訓練,支持葡萄牙語語音轉文本。
語音識別 其他
W
jonatasgrosman
4.9M
32
Whisper Large V3
Apache-2.0
Whisper是由OpenAI提出的先進自動語音識別(ASR)和語音翻譯模型,在超過500萬小時的標註數據上訓練,具有強大的跨數據集和跨領域泛化能力。
語音識別 支持多種語言
W
openai
4.6M
4,321
Whisper Large V3 Turbo
MIT
Whisper是由OpenAI開發的最先進的自動語音識別(ASR)和語音翻譯模型,經過超過500萬小時標記數據的訓練,在零樣本設置下展現出強大的泛化能力。
語音識別
Transformers 支持多種語言

W
openai
4.0M
2,317
Wav2vec2 Large Xlsr 53 Russian
Apache-2.0
基於facebook/wav2vec2-large-xlsr-53模型微調的俄語語音識別模型,支持16kHz採樣率的語音輸入
語音識別 其他
W
jonatasgrosman
3.9M
54
Wav2vec2 Large Xlsr 53 Chinese Zh Cn
Apache-2.0
基於facebook/wav2vec2-large-xlsr-53模型微調的中文語音識別模型,支持16kHz採樣率的語音輸入。
語音識別 中文
W
jonatasgrosman
3.8M
110
Wav2vec2 Large Xlsr 53 Dutch
Apache-2.0
基於facebook/wav2vec2-large-xlsr-53微調的荷蘭語語音識別模型,在Common Voice和CSS10數據集上訓練,支持16kHz音頻輸入。
語音識別 其他
W
jonatasgrosman
3.0M
12
Wav2vec2 Large Xlsr 53 Japanese
Apache-2.0
基於facebook/wav2vec2-large-xlsr-53模型微調的日語語音識別模型,支持16kHz採樣率的語音輸入
語音識別 日語
W
jonatasgrosman
2.9M
33
Mms 300m 1130 Forced Aligner
基於Hugging Face預訓練模型的文本與音頻強制對齊工具,支持多種語言,內存效率高
語音識別
Transformers 支持多種語言

M
MahmoudAshraf
2.5M
50
Wav2vec2 Large Xlsr 53 Arabic
Apache-2.0
基於facebook/wav2vec2-large-xlsr-53微調的阿拉伯語語音識別模型,在Common Voice和阿拉伯語語音語料庫上訓練
語音識別 阿拉伯語
W
jonatasgrosman
2.3M
37
精選推薦AI模型
Llama 3 Typhoon V1.5x 8b Instruct
專為泰語設計的80億參數指令模型,性能媲美GPT-3.5-turbo,優化了應用場景、檢索增強生成、受限生成和推理任務
大型語言模型
Transformers 支持多種語言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一個基於SODA數據集訓練的超小型對話模型,專為邊緣設備推理設計,體積僅為Cosmo-3B模型的2%左右。
對話系統
Transformers 英語

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基於RoBERTa架構的中文抽取式問答模型,適用於從給定文本中提取答案的任務。
問答系統 中文
R
uer
2,694
98