Wav2vec2 Xls R 1b English

🚀 微调后的XLS - R 1B英文语音识别模型

本项目是基于英文语音识别任务，对 [facebook/wav2vec2 - xls - r - 1b](https://huggingface.co/facebook/wav2vec2 - xls - r - 1b) 模型进行微调的成果。该模型使用了 [Common Voice 8.0](https://huggingface.co/datasets/mozilla - foundation/common_voice_8_0)、Multilingual LibriSpeech、TED - LIUMv3 和 Voxpopuli 等数据集的训练集和验证集进行微调。使用此模型时，请确保输入的语音采样率为 16kHz。

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

🚀 快速开始

本模型可用于英文语音识别任务，能将输入的英文语音转换为对应的文本。

✨ 主要特性

• 微调模型：基于预训练的 XLS - R 1B 模型进行微调，更适配英文语音识别任务。
• 多数据集训练：使用多个公开数据集进行训练，提升模型的泛化能力。
• 支持多方式使用：既可以使用 HuggingSound 库快速调用，也可以编写自定义推理脚本。

📦 安装指南

文档未提及安装步骤，可参考相关依赖库（如 transformers、librosa、datasets 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-english")
audio_paths = ["/path/to/file.mp3", "/path/to/another_file.wav"]

transcriptions = model.transcribe(audio_paths)

高级用法

编写自定义推理脚本：

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

LANG_ID = "en"
MODEL_ID = "jonatasgrosman/wav2vec2-xls-r-1b-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)

📚 详细文档

评估命令

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

python eval.py --model_id jonatasgrosman/wav2vec2-xls-r-1b-english --dataset mozilla-foundation/common_voice_8_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-xls-r-1b-english --dataset speech-recognition-community-v2/dev_data --config en --split validation --chunk_length_s 5.0 --stride_length_s 1.0

模型指标

📄 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{grosman2021xlsr-1b-english,
  title={Fine-tuned {XLS-R} 1{B} model for speech recognition in {E}nglish},
  author={Grosman, Jonatas},
  howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-xls-r-1b-english}},
  year={2022}
}