Wav2vec2 Xls R 1b Polish

🚀 用于波兰语语音识别的微调XLS - R 1B模型

本模型是在波兰语数据集上对[facebook/wav2vec2 - xls - r - 1b](https://huggingface.co/facebook/wav2vec2 - xls - r - 1b)进行微调得到的。微调使用了[Common Voice 8.0](https://huggingface.co/datasets/mozilla - foundation/common_voice_8_0)、Multilingual LibriSpeech和Voxpopuli的训练集和验证集。使用该模型时，请确保输入的语音采样率为16kHz。

此模型由HuggingSound工具进行微调，感谢[OVHcloud](https://www.ovhcloud.com/en/public - cloud/ai - training/)慷慨提供的GPU计算资源。

🚀 快速开始

本模型是专门为波兰语语音识别任务对XLS - R 1B模型进行微调得到的，能够高效准确地处理波兰语语音数据。

✨ 主要特性

• 语言支持：专注于波兰语语音识别。
• 微调基础：基于[facebook/wav2vec2 - xls - r - 1b](https://huggingface.co/facebook/wav2vec2 - xls - r - 1b)模型进行微调。
• 训练数据：使用了多个数据集，包括Common Voice 8.0、Multilingual LibriSpeech和Voxpopuli。

📦 安装指南

文档未提及安装步骤，可参考相关依赖库（如transformers、datasets、librosa、torch等）的官方安装指南进行安装。

💻 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-xls-r-1b-polish")
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 = "pl"
MODEL_ID = "jonatasgrosman/wav2vec2-xls-r-1b-polish"
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)

📚 详细文档

评估命令

1. 在mozilla - foundation/common_voice_8_0的test分割集上进行评估：

python eval.py --model_id jonatasgrosman/wav2vec2-xls-r-1b-polish --dataset mozilla-foundation/common_voice_8_0 --config pl --split test

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

python eval.py --model_id jonatasgrosman/wav2vec2-xls-r-1b-polish --dataset speech-recognition-community-v2/dev_data --config pl --split validation --chunk_length_s 5.0 --stride_length_s 1.0

📄 许可证

本模型使用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{grosman2021xlsr-1b-polish,
  title={Fine-tuned {XLS-R} 1{B} model for speech recognition in {P}olish},
  author={Grosman, Jonatas},
  howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-xls-r-1b-polish}},
  year={2022}
}