Speech Text

🚀 Wav2Vec2-Large-XLSR-53-English

本项目基于Common Voice英文数据集，对facebook/wav2vec2-large-xlsr-53模型进行了微调。使用该模型时，请确保语音输入的采样率为16kHz。

此模型的微调得益于OVHcloud慷慨提供的GPU算力支持。训练脚本可在此处找到。

🚀 快速开始

本模型基于英文的Common Voice数据集，对facebook/wav2vec2-large-xlsr-53进行了微调。使用该模型时，请确保语音输入的采样率为16kHz。

✨ 主要特性

• 基于大规模预训练模型facebook/wav2vec2-large-xlsr-53进行微调，提升英文语音识别效果。
• 可直接使用，也可结合语言模型使用。
• 提供了详细的使用示例和评估脚本。

📦 安装指南

文档未提及安装相关内容，可参考原模型及依赖库的安装说明进行安装。

💻 使用示例

基础用法

使用HuggingSound库进行语音识别：

from huggingsound import SpeechRecognitionModel

model = SpeechRecognitionModel("jonatasgrosman/wav2vec2-large-xlsr-53-english")
audio_paths = ["/path/to/file.mp3", "/path/to/another_file.wav"]

transcriptions = model.transcribe(audio_paths)

高级用法

编写自己的推理脚本：

import torch
import librosa
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

LANG_ID = "en"
MODEL_ID = "jonatasgrosman/wav2vec2-large-xlsr-53-english"
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)

以下是部分识别结果示例：

📚 详细文档

评估

1. 在mozilla-foundation/common_voice_6_0数据集的test分割上进行评估：

python eval.py --model_id jonatasgrosman/wav2vec2-large-xlsr-53-english --dataset mozilla-foundation/common_voice_6_0 --config en --split test

2. 在speech-recognition-community-v2/dev_data数据集上进行评估：

python eval.py --model_id jonatasgrosman/wav2vec2-large-xlsr-53-english --dataset speech-recognition-community-v2/dev_data --config en --split validation --chunk_length_s 5.0 --stride_length_s 1.0

📄 许可证

本项目采用apache-2.0许可证。

📚 引用

如果您想引用此模型，可以使用以下 BibTeX 格式：

@misc{grosman2021wav2vec2-large-xlsr-53-english,
  title={XLSR Wav2Vec2 English by Jonatas Grosman},
  author={Grosman, Jonatas},
  publisher={Hugging Face},
  journal={Hugging Face Hub},
  howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-large-xlsr-53-english}},
  year={2021}
}

📋 模型信息