Wav2vec2 Xls R 300m Mixed

🚀 wav2vec2-xls-r-300m-mixed

本项目是在预训练模型基础上进行微调的语音识别模型，在马来语、新加坡英语和普通话三种语言的混合数据集上进行了优化，能有效提升多语言语音识别的准确率和性能。

🚀 快速开始

该模型是在 https://huggingface.co/facebook/wav2vec2-xls-r-300m 基础上，针对 https://github.com/huseinzol05/malaya-speech/tree/master/data/mixed-stt 数据集进行微调得到的。

此模型在以下三种语言上进行了微调：

1. 马来语
2. 新加坡英语
3. 普通话

该模型在由 https://mesolitica.com/ 提供的单张 RTX 3090 Ti 24GB VRAM 显卡上进行训练。

📚 详细文档

评估集

评估集来自 https://github.com/huseinzol05/malaya-speech/tree/master/pretrained-model/prepare-stt，各语言样本数量如下：

len(malay), len(singlish), len(mandarin)
-> (765, 3579, 614)

根据 evaluate-gpu.ipynb 在评估集上的评估，模型取得了以下结果：

混合评估

CER: 0.0481054244857041
WER: 0.1322198446007387
CER with LM: 0.041196586938584696
WER with LM: 0.09880169127621556

马来语评估

CER: 0.051636391937588406
WER: 0.19561999547293663
CER with LM: 0.03917689630621449
WER with LM: 0.12710746406824835

新加坡英语评估

CER: 0.0494915200071987
WER: 0.12763802881676573
CER with LM: 0.04271234986432335
WER with LM: 0.09677160640413336

普通话评估

CER: 0.035626554824269824
WER: 0.07993515937860181
CER with LM: 0.03487760945087219
WER with LM: 0.07536807168546154

语言模型来自 https://huggingface.co/huseinzol05/language-model-bahasa-manglish-combined。