Wav2vec2 Large 100k Voxpopuli Catala

🚀 加泰罗尼亚语Wav2Vec2大模型

本模型基于facebook/wav2vec2-large-100k-voxpopuli，使用Common Voice和ParlamentParla数据集对加泰罗尼亚语进行了微调。它可用于语音识别任务，将语音转换为文本，在加泰罗尼亚语语音处理方面具有较高的准确性和实用性。

🚀 快速开始

本模型基于facebook/wav2vec2-large-100k-voxpopuli，使用Common Voice和ParlamentParla数据集对加泰罗尼亚语进行了微调。

⚠️ 重要提示

• 所使用的训练/开发/测试拆分并不完全与CommonVoice 6.1数据集对应。使用了自定义拆分，结合了CommonVoice和ParlamentParla数据集，可在此处找到。在CV测试数据集上进行评估会产生有偏差的字错率（WER），因为该数据集中的1144个音频文件已用于此模型的训练/评估。
• 字错率（WER）是使用test.csv计算的，该数据集在模型训练/评估期间未被模型见过。

你可以在GitHub仓库ccoreilly/wav2vec2-catala中找到训练和评估脚本。

使用此模型时，请确保你的语音输入采样率为16kHz。

✨ 主要特性

• 多数据集微调：使用Common Voice和ParlamentParla数据集对加泰罗尼亚语进行微调，提升模型在加泰罗尼亚语语音识别上的性能。
• 高精度识别：在多个测试数据集上取得了较低的字错率（WER），证明了模型的准确性。

📦 安装指南

文档未提及安装相关内容，故跳过。

💻 使用示例

基础用法

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

test_dataset = load_dataset("common_voice", "ca", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("ccoreilly/wav2vec2-large-100k-voxpopuli-catala") 
model = Wav2Vec2ForCTC.from_pretrained("ccoreilly/wav2vec2-large-100k-voxpopuli-catala")

resampler = torchaudio.transforms.Resample(48_000, 16_000)

# Preprocessing the datasets.
# We need to read the audio files as arrays
def speech_file_to_array_fn(batch):
	speech_array, sampling_rate = torchaudio.load(batch["path"])
	batch["speech"] = resampler(speech_array).squeeze().numpy()
	return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)
inputs = processor(test_dataset["speech"][:2], 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)

print("Prediction:", processor.batch_decode(predicted_ids))
print("Reference:", test_dataset["sentence"][:2])

高级用法

文档未提及高级用法相关代码，故跳过。

📚 详细文档

模型信息

评估结果

模型在以下未被模型见过的数据集上评估了字错率（WER）：

🔧 技术细节

文档未提及技术细节相关内容，故跳过。

📄 许可证

本模型使用的许可证为Apache-2.0。