🚀 Wav2Vec2-Large-XLSR-53-芬兰语模型
本项目基于 facebook/wav2vec2-large-xlsr-53 模型,使用 Common Voice、CSS10 芬兰语 和 芬兰议会会议 2 数据集对其进行了芬兰语微调。使用该模型时,请确保语音输入的采样率为 16kHz。
⚠️ 重要提示
这是一个旧模型,请勿再使用!我们的组织中心有很多更好的新模型:Finnish-NLP/wav2vec2-xlsr-1b-finnish-lm-v2 和 Finnish-NLP/wav2vec2-xlsr-300m-finnish-lm
属性 |
详情 |
模型类型 |
基于 XLSR 的自动语音识别模型 |
训练数据 |
Common Voice、CSS10 芬兰语、芬兰议会会议 2 数据集 |
评估指标 |
词错误率(WER) |
测试 WER |
32.378771 % |
🚀 快速开始
环境准备
确保你已经安装了必要的库,如 librosa
、torch
、torchaudio
、datasets
和 transformers
。
使用步骤
以下是直接使用该模型(不使用语言模型)的示例代码:
import librosa
import torch
import torchaudio
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
test_dataset = load_dataset("common_voice", "fi", split="test[:2%]")
processor = Wav2Vec2Processor.from_pretrained("aapot/wav2vec2-large-xlsr-53-finnish")
model = Wav2Vec2ForCTC.from_pretrained("aapot/wav2vec2-large-xlsr-53-finnish")
resampler = lambda sr, y: librosa.resample(y.numpy().squeeze(), sr, 16_000)
def speech_file_to_array_fn(batch):
speech_array, sampling_rate = torchaudio.load(batch["path"])
batch["speech"] = resampler(sampling_rate, speech_array).squeeze()
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])
💻 使用示例
基础用法
上述快速开始部分的代码即为基础用法示例,它展示了如何直接使用模型进行语音识别。
高级用法
以下是在芬兰语测试数据上评估模型的示例代码:
import librosa
import torch
import torchaudio
from datasets import load_dataset, load_metric
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import re
test_dataset = load_dataset("common_voice", "fi", split="test")
wer = load_metric("wer")
processor = Wav2Vec2Processor.from_pretrained("aapot/wav2vec2-large-xlsr-53-finnish")
model = Wav2Vec2ForCTC.from_pretrained("aapot/wav2vec2-large-xlsr-53-finnish")
model.to("cuda")
chars_to_ignore_regex = '[\,\?\.\!\-\;\:\"\“\%\‘\”\�\'\...\…\–\é]'
resampler = lambda sr, y: librosa.resample(y.numpy().squeeze(), sr, 16_000)
def speech_file_to_array_fn(batch):
batch["sentence"] = re.sub(chars_to_ignore_regex, '', batch["sentence"]).lower()
speech_array, sampling_rate = torchaudio.load(batch["path"])
batch["speech"] = resampler(sampling_rate, speech_array).squeeze()
return batch
test_dataset = test_dataset.map(speech_file_to_array_fn)
def evaluate(batch):
inputs = processor(batch["speech"], sampling_rate=16_000, return_tensors="pt", padding=True)
with torch.no_grad():
logits = model(inputs.input_values.to("cuda"), attention_mask=inputs.attention_mask.to("cuda")).logits
pred_ids = torch.argmax(logits, dim=-1)
batch["pred_strings"] = processor.batch_decode(pred_ids)
return batch
result = test_dataset.map(evaluate, batched=True, batch_size=8)
print("WER: {:2f}".format(100 * wer.compute(predictions=result["pred_strings"], references=result["sentence"])))
测试结果:32.378771 %
🔧 技术细节
训练数据
训练使用了 Common Voice 的 train
、validation
和 other
数据集,以及 CSS10 芬兰语
和 芬兰议会会议 2
数据集。
训练脚本
训练使用的脚本可以从 Google Colab 找到。
📄 许可证
本项目采用 Apache-2.0 许可证。