Wav2vec2 Large Xlsr 53 Spanish

🚀 Wav2Vec2-Large-XLSR-53-西班牙语模型

本项目在 https://huggingface.co/jonatasgrosman/wav2vec2-large-xlsr-53-spanish 的基础上添加了自定义语言模型。它基于 Common Voice 数据集，在西班牙语数据上对 facebook/wav2vec2-large-xlsr-53 模型进行了微调。使用此模型时，请确保语音输入的采样率为 16kHz。

该模型的训练得益于 OVHcloud 慷慨提供的 GPU 计算资源。训练脚本可在 https://github.com/jonatasgrosman/wav2vec2-sprint 找到。

✨ 主要特性

• 微调模型：基于 facebook/wav2vec2-large-xlsr-53 在西班牙语数据上进行微调。
• 自定义语言模型：添加了自定义语言模型，提升识别效果。
• 多数据集支持：可在多个数据集上进行评估。

📦 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 ASRecognition 库进行语音识别：

from asrecognition import ASREngine

asr = ASREngine("es", model_path="jonatasgrosman/wav2vec2-large-xlsr-53-spanish")

audio_paths = ["/path/to/file.mp3", "/path/to/another_file.wav"]
transcriptions = asr.transcribe(audio_paths)

高级用法

编写自己的推理脚本进行语音识别：

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

LANG_ID = "es"
MODEL_ID = "jonatasgrosman/wav2vec2-large-xlsr-53-spanish"
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)

for i, predicted_sentence in enumerate(predicted_sentences):
    print("-" * 100)
    print("Reference:", test_dataset[i]["sentence"])
    print("Prediction:", predicted_sentence)

以下是部分识别结果示例：

📚 详细文档

评估方法

1. 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-spanish --dataset mozilla-foundation/common_voice_6_0 --config es --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-large-xlsr-53-spanish --dataset speech-recognition-community-v2/dev_data --config es --split validation --chunk_length_s 5.0 --stride_length_s 1.0

📄 许可证

本项目采用 Apache-2.0 许可证。

📚 模型信息

模型评估结果

• Common Voice es 数据集（测试集）
  • Test WER: 8.82
  • Test CER: 2.58
  • Test WER (+LM): 6.27
  • Test CER (+LM): 2.06
• Robust Speech Event - Dev Data 数据集（验证集）
  • Dev WER: 30.19
  • Dev CER: 13.56
  • Dev WER (+LM): 24.71
  • Dev CER (+LM): 12.61

📖 引用信息

如果您想引用此模型，可以使用以下 BibTeX 格式：

@misc{grosman2021wav2vec2-large-xlsr-53-spanish,
  title={XLSR Wav2Vec2 Spanish by Jonatas Grosman},
  author={Grosman, Jonatas},
  publisher={Hugging Face},
  journal={Hugging Face Hub},
  howpublished={\url{https://huggingface.co/jonatasgrosman/wav2vec2-large-xlsr-53-spanish}},
  year={2021}
}