Wav2vec2 Large XLSR 53 Catalan

🚀 加泰罗尼亚语XLSR Wav2Vec大模型53

本模型基于Transformer架构，在加泰罗尼亚语语音识别任务上进行了微调。它使用了Common Voice数据集进行训练，能够有效地将加泰罗尼亚语语音转换为文本，为加泰罗尼亚语的自动语音识别提供了强大的支持。

🚀 快速开始

本模型是在facebook/wav2vec2-large-xlsr-53的基础上，使用Common Voice加泰罗尼亚语数据集进行微调得到的。使用该模型时，请确保输入的语音采样率为16kHz。

✨ 主要特性

• 数据集：使用Common Voice数据集进行训练。
• 评估指标：使用字错率（WER）作为评估指标。
• 应用场景：适用于加泰罗尼亚语的自动语音识别任务。

📦 安装指南

文档中未提及具体安装步骤，可参考Hugging Face相关模型的安装说明进行安装。

💻 使用示例

基础用法

模型可以直接使用（不使用语言模型），示例代码如下：

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("PereLluis13/Wav2Vec2-Large-XLSR-53-catalan")
model = Wav2Vec2ForCTC.from_pretrained("PereLluis13/Wav2Vec2-Large-XLSR-53-catalan")

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

# Preprocessing the datasets.
# We need to read the aduio 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

可以在加泰罗尼亚语的Common Voice测试数据上对模型进行评估，示例代码如下：

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

test_dataset = load_dataset("common_voice", "ca", split="test") 
wer = load_metric("wer")

processor = Wav2Vec2Processor.from_pretrained("PereLluis13/Wav2Vec2-Large-XLSR-53-catalan") 
model = Wav2Vec2ForCTC.from_pretrained("PereLluis13/Wav2Vec2-Large-XLSR-53-catalan") 
model.to("cuda")

chars_to_ignore_regex = '[\,\?\.\!\;\:\"\“]'
resampler = torchaudio.transforms.Resample(48_000, 16_000)

# Preprocessing the datasets.
# We need to read the aduio files as arrays
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(speech_array).squeeze().numpy()
    return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)

# Preprocessing the datasets.
# We need to read the aduio files as arrays
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)
import jiwer

# Chunk WER computation due to memory issues, taken from https://huggingface.co/pcuenq/wav2vec2-large-xlsr-53-es
def chunked_wer(targets, predictions, chunk_size=None):                                          
    if chunk_size is None: return jiwer.wer(targets, predictions)                                
    start = 0                                                                                    
    end = chunk_size                                                                             
    H, S, D, I = 0, 0, 0, 0                                                                      
    while start < len(targets):                                                                  
        chunk_metrics = jiwer.compute_measures(targets[start:end], predictions[start:end])       
        H = H + chunk_metrics["hits"]                                                            
        S = S + chunk_metrics["substitutions"]                                                   
        D = D + chunk_metrics["deletions"]                                                       
        I = I + chunk_metrics["insertions"]                                                      
        start += chunk_size                                                                      
        end += chunk_size                                                                        
    return float(S + D + I) / float(H + S + D)

print("WER: {:2f}".format(100 * chunked_wer(result["sentence"], result["pred_strings"], chunk_size=4000)))

测试结果：8.11 %

📚 详细文档

免责声明

本模型是在Common Voice 6数据集上训练的。如果您需要一个用于自动语音识别的加泰罗尼亚语模型，建议查看 wav2vec2-xls-r-1b-ca-lm，这是一个基于CV8+数据集训练的带有语言模型的10亿参数模型，性能更好；或者 wav2vec2-xls-r-300m-ca-lm，该模型与本模型大小相同（3亿参数），但在CV8+数据集上训练并使用了相同的语言模型。

训练过程

使用了Common Voice的train和validation数据集进行训练。在第二个训练周期，由于内存问题停止了训练，随后以较小的批次大小继续训练，但累积梯度步数进行了调整，以确保在整个训练过程中批次大小相当于32。然后，模型又额外训练了10个周期，其中一半的男性样本进行了升调处理。

训练使用的脚本可以在这里找到。为了加快训练过程中按长度排序的速度，对脚本进行了一些小的修改，修改内容可以在这里找到。另一个为加泰罗尼亚语训练的版本可以在这里找到，由于它使用了额外的数据并进行了更长时间的训练，可能比本模型表现更好。不过，由于它使用了包含部分Common Voice测试集的不同分割，本版本可以用于在Common Voice数据集上获取基线结果。

🔧 技术细节

本模型基于facebook/wav2vec2-large-xlsr-53进行微调，使用了Common Voice加泰罗尼亚语数据集进行训练。在训练过程中，使用了字错率（WER）作为评估指标，以评估模型在语音识别任务上的性能。

📄 许可证

本模型使用Apache 2.0许可证。

信息表格