Nb Wav2vec2 1b Bokmaal

🚀 挪威语Wav2Vec2模型 - 1B书面挪威语版

本模型基于Facebook/Meta的特征提取器XLS - R进行微调。微调后的模型在测试集上结合5 - 元语言模型KenLM取得了以下成绩（括号内为未使用语言模型的结果）：

• 字错率（WER）：0.0633 (0.0738)
• 字符错误率（CER）：0.0248 (0.0263)

✨ 主要特性

本模型是团队在🤗举办的鲁棒语音事件期间创建的多个Wav2Vec模型之一。以下是我们模型的完整列表及其最终得分：

📦 安装指南

文档未提及安装步骤，暂不提供。

💻 使用示例

文档未提供代码示例，暂不提供。

📚 详细文档

数据集

在活动进行的同时，团队还将[挪威议会演讲语料库（NPSC）](https://www.nb.no/sprakbanken/en/resource - catalogue/oai - nb - no - sbr - 58/)转换为🤗数据集格式的NbAiLab/NPSC，并将其作为训练的主要来源。

代码

我们已发布了活动期间开发的所有代码，以便挪威自然语言处理社区在开发更好的挪威语自动语音识别（ASR）模型时可以在此基础上进行构建。这些模型的微调对计算资源的要求不是很高。按照此处的说明操作后，使用普通GPU，您应该能够在不到一天的时间内训练出自己的自动语音识别系统。

团队

以下人员为构建此模型做出了贡献：Rolv - Arild Braaten、Per Egil Kummervold、Andre Kåsen、Javier de la Rosa、Per Erik Solberg和Freddy Wetjen。

训练过程

为了复现这些结果，我们强烈建议您遵循[🤗的说明](https://github.com/huggingface/transformers/tree/master/examples/research_projects/robust - speech - event#talks)来训练一个简单的瑞典语模型。

当您确认自己能够完成此操作后，创建一个全新的仓库。然后，您可以从我们的仓库中复制文件run.sh和run_speech_recognition_ctc.py。运行这些文件将创建所有其他必要的文件，并使您能够复现我们的结果。对超参数进行一些调整后，您甚至可能构建出更好的自动语音识别模型。祝您好运！

语言模型

正如得分所示，即使添加一个简单的5 - 元语言模型也会改善结果。🤗提供了另一篇[非常不错的博客](https://huggingface.co/blog/wav2vec2 - with - ngram)，解释了如何添加5 - 元语言模型来改进自动语音识别模型。您可以从自己的语料库构建这个模型，例如从挪威巨型语料库中提取一些合适的文本。您也可以跳过指南中的一些步骤，并复制[此仓库中的5 - 元模型](https://huggingface.co/NbAiLab/XLSR - 300M - bokmaal/tree/main/language_model)。

参数

最终模型使用以下参数运行：

--dataset_name="NbAiLab/NPSC"
--model_name_or_path="facebook/wav2vec2-xls-r-1b"
--dataset_config_name="16K_mp3_bokmaal"
--output_dir="./"
--overwrite_output_dir
--num_train_epochs="40"
--per_device_train_batch_size="12"
--per_device_eval_batch_size="12" 
--gradient_accumulation_steps="2" 
--learning_rate="2e-5" 
--warmup_steps="2000" 
--length_column_name="input_length" 
--evaluation_strategy="steps" 
--text_column_name="text" 
--save_steps="500" 
--eval_steps="500" 
--logging_steps="100" 
--layerdrop="0.041" 
--attention_dropout="0.094" 
--activation_dropout="0.055" 
--hidden_dropout="0.047" 
--save_total_limit="3"
--freeze_feature_encoder 
--feat_proj_dropout="0.04" 
--mask_time_prob="0.082" 
--mask_time_length="10" 
--mask_feature_prob="0.25" 
--mask_feature_length="64" 
--gradient_checkpointing
--min_duration_in_seconds="0.5" 
--max_duration_in_seconds="30.0" 
--ctc_zero_infinity=True 
--use_auth_token 
--seed="42" 
--fp16 
--group_by_length 
--do_train --do_eval 
--push_to_hub 
--preprocessing_num_workers="16"

使用这些设置，在普通GPU上训练可能需要3 - 4天。但是，通过调整这些参数，您可以更快地得到一个不错的模型。

🔧 技术细节

文档未提供足够的技术实现细节，暂不提供。

📄 许可证

本模型使用Apache - 2.0许可证。

📚 引用

@inproceedings{de-la-rosa-etal-2023-boosting,
    title = "Boosting {N}orwegian Automatic Speech Recognition",
    author = "De La Rosa, Javier  and
      Braaten, Rolv-Arild  and
      Kummervold, Per  and
      Wetjen, Freddy",
    booktitle = "Proceedings of the 24th Nordic Conference on Computational Linguistics (NoDaLiDa)",
    month = may,
    year = "2023",
    address = "T{\'o}rshavn, Faroe Islands",
    publisher = "University of Tartu Library",
    url = "https://aclanthology.org/2023.nodalida-1.55",
    pages = "555--564",
    abstract = "In this paper, we present several baselines for automatic speech recognition (ASR) models for the two official written languages in Norway: Bokm{\aa}l and Nynorsk. We compare the performance of models of varying sizes and pre-training approaches on multiple Norwegian speech datasets. Additionally, we measure the performance of these models against previous state-of-the-art ASR models, as well as on out-of-domain datasets. We improve the state of the art on the Norwegian Parliamentary Speech Corpus (NPSC) from a word error rate (WER) of 17.10{\%} to 7.60{\%}, with models achieving 5.81{\%} for Bokm{\aa}l and 11.54{\%} for Nynorsk. We also discuss the challenges and potential solutions for further improving ASR models for Norwegian.",
}

详见https://arxiv.org/abs/2307.01672