🚀 用于法语语音识别的微调XLSR - 53大模型
本项目是基于facebook/wav2vec2-large-xlsr-53模型,使用Common Voice 6.1的训练集和验证集对法语进行微调的语音识别模型。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计算资源。训练脚本可在以下链接找到:https://github.com/jonatasgrosman/wav2vec2-sprint
🚀 快速开始
本模型是基于facebook/wav2vec2-large-xlsr-53模型,使用Common Voice 6.1的训练集和验证集对法语进行微调得到的。使用该模型时,请确保语音输入的采样率为16kHz。
✨ 主要特性
- 数据集:使用了
common_voice
和mozilla-foundation/common_voice_6_0
数据集进行训练。
- 评估指标:使用了字错率(WER)和字符错误率(CER)作为评估指标。
- 应用场景:适用于法语的自动语音识别任务。
📦 安装指南
文档未提及安装步骤,故跳过此章节。
💻 使用示例
基础用法
使用HuggingSound库:
from huggingsound import SpeechRecognitionModel
model = SpeechRecognitionModel("jonatasgrosman/wav2vec2-large-xlsr-53-french")
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 = "fr"
MODEL_ID = "jonatasgrosman/wav2vec2-large-xlsr-53-french"
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)
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)
识别结果示例
参考文本 |
预测文本 |
"CE DERNIER A ÉVOLUÉ TOUT AU LONG DE L'HISTOIRE ROMAINE." |
CE DERNIER ÉVOLUÉ TOUT AU LONG DE L'HISTOIRE ROMAINE |
CE SITE CONTIENT QUATRE TOMBEAUX DE LA DYNASTIE ACHÉMÉNIDE ET SEPT DES SASSANIDES. |
CE SITE CONTIENT QUATRE TOMBEAUX DE LA DYNASTIE ASHEMÉNID ET SEPT DES SASANDNIDES |
"J'AI DIT QUE LES ACTEURS DE BOIS AVAIENT, SELON MOI, BEAUCOUP D'AVANTAGES SUR LES AUTRES." |
JAI DIT QUE LES ACTEURS DE BOIS AVAIENT SELON MOI BEAUCOUP DAVANTAGES SUR LES AUTRES |
LES PAYS-BAS ONT REMPORTÉ TOUTES LES ÉDITIONS. |
LE PAYS-BAS ON REMPORTÉ TOUTES LES ÉDITIONS |
IL Y A MAINTENANT UNE GARE ROUTIÈRE. |
IL AMNARDIGAD LE TIRAN |
HUIT |
HUIT |
DANS L’ATTENTE DU LENDEMAIN, ILS NE POUVAIENT SE DÉFENDRE D’UNE VIVE ÉMOTION |
DANS L'ATTENTE DU LENDEMAIN IL NE POUVAIT SE DÉFENDRE DUNE VIVE ÉMOTION |
LA PREMIÈRE SAISON EST COMPOSÉE DE DOUZE ÉPISODES. |
LA PREMIÈRE SAISON EST COMPOSÉE DE DOUZE ÉPISODES |
ELLE SE TROUVE ÉGALEMENT DANS LES ÎLES BRITANNIQUES. |
ELLE SE TROUVE ÉGALEMENT DANS LES ÎLES BRITANNIQUES |
ZÉRO |
ZEGO |
📚 详细文档
评估方法
- 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-french --dataset mozilla-foundation/common_voice_6_0 --config fr --split test
- 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-french --dataset speech-recognition-community-v2/dev_data --config fr --split validation --chunk_length_s 5.0 --stride_length_s 1.0
模型信息
属性 |
详情 |
模型类型 |
用于法语语音识别的微调XLSR - 53大模型 |
训练数据 |
common_voice、mozilla-foundation/common_voice_6_0 |
评估指标
任务 |
数据集 |
评估指标 |
值 |
自动语音识别 |
Common Voice fr |
测试字错率(WER) |
17.65 |
自动语音识别 |
Common Voice fr |
测试字符错误率(CER) |
4.89 |
自动语音识别 |
Common Voice fr |
测试字错率(+LM) |
13.59 |
自动语音识别 |
Common Voice fr |
测试字符错误率(+LM) |
3.91 |
自动语音识别 |
Robust Speech Event - Dev Data |
开发集字错率(WER) |
34.35 |
自动语音识别 |
Robust Speech Event - Dev Data |
开发集字符错误率(CER) |
14.09 |
自动语音识别 |
Robust Speech Event - Dev Data |
开发集字错率(+LM) |
24.72 |
自动语音识别 |
Robust Speech Event - Dev Data |
开发集字符错误率(+LM) |
12.33 |
📄 许可证
本项目采用Apache 2.0许可证。
🔗 引用信息
如果您想引用此模型,可以使用以下BibTeX格式:
@misc{grosman2021xlsr53-large-french,
title={Fine-tuned {XLSR}-53 large model for speech recognition in {F}rench},
author={Grosman, Jonatas},
howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-large-xlsr-53-french}},
year={2021}
}