Wav2vec2 Large Xlsr 53 Chinese Zn Cn Aishell1

🚀 Wav2Vec2-Large-XLSR-53-Chinese-zh-CN-aishell1

本项目基于AISHELL-1数据集，对中文语音数据微调了facebook/wav2vec2-large-xlsr-53模型。使用该模型时，请确保输入的语音采样率为16kHz。

🚀 快速开始

本模型可直接使用（无需语言模型），示例代码如下：

💻 使用示例

基础用法

import torch
import librosa
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

device = "cuda:0" if torch.cuda.is_available() else "cpu"

processor = Wav2Vec2Processor.from_pretrained(
    'qinyue/wav2vec2-large-xlsr-53-chinese-zn-cn-aishell1')
model = Wav2Vec2ForCTC.from_pretrained(
    'qinyue/wav2vec2-large-xlsr-53-chinese-zn-cn-aishell1').to(device)

filepath = 'test.wav'
audio, sr = librosa.load(filepath, sr=16000, mono=True)
inputs = processor(audio, sample_rate=16000, return_tensors="pt").to(device)
with torch.no_grad():
    logits = model(inputs.input_values,
                   attention_mask=inputs.attention_mask).logits
predicted_ids = torch.argmax(logits, dim=-1)
pred_str = processor.decode(predicted_ids[0])

print(pred_str)

📚 详细文档

评估代码

wer_metric = load_metric("wer")

def compute_metrics(pred):
    pred_logits = pred.predictions
    pred_ids = np.argmax(pred_logits, axis=-1)

    pred.label_ids[pred.label_ids == -100] = processor.tokenizer.pad_token_id

    pred_str = processor.batch_decode(pred_ids, spaces_between_special_tokens=True)
    label_str = processor.batch_decode(pred.label_ids, group_tokens=False, spaces_between_special_tokens=True)

    wer = wer_metric.compute(predictions=pred_str, references=label_str)

    return {"wer": wer}

评估结果

测试结果： 以下表格展示了模型在AISHELL-1测试数据集上的词错误率（WER）。

📄 许可证

本项目采用Apache-2.0许可证。

📦 模型信息