Wav2vec2 Large Voxrex Swedish

🚀 Wav2vec 2.0 large VoxRex Swedish (C)

这是基于KB的VoxRex large模型的微调版本，使用了瑞典广播、NST和Common Voice的数据进行微调。在不使用语言模型的情况下进行评估，结果如下：NST + Common Voice测试集（占总句子的2%）的字错率（WER）为2.5%。Common Voice测试集的直接字错率为8.49%，使用4-gram语言模型时为7.37%。

使用此模型时，请确保您的语音输入采样率为16kHz。

2022年1月10日更新：更新到VoxRex - C版本。

2022年5月16日更新：相关论文可查看此处。

✨ 主要特性

• 微调优化：基于特定的瑞典语数据对模型进行微调，提升在瑞典语语音识别任务上的性能。
• 多数据集支持：使用了Common Voice、NST_Swedish_ASR_Database和P4等多个数据集进行训练。
• 评估指标明确：使用字错率（WER）作为评估指标，方便衡量模型性能。

📦 安装指南

文档未提及具体安装步骤，故跳过此章节。

💻 使用示例

基础用法

import torch
import torchaudio
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
test_dataset = load_dataset("common_voice", "sv-SE", split="test[:2%]")
processor = Wav2Vec2Processor.from_pretrained("KBLab/wav2vec2-large-voxrex-swedish")
model = Wav2Vec2ForCTC.from_pretrained("KBLab/wav2vec2-large-voxrex-swedish")
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])

📚 详细文档

性能表现

训练过程

此模型在NST + CommonVoice上进行了120000次更新的微调。之后仅在CommonVoice上进行了额外的20000次更新。在CommonVoice上的额外微调在一定程度上影响了NST + CommonVoice测试集的性能，不出所料地提升了CommonVoice测试集的性能。不过总体来看，它的表现似乎更好[需要引用]。

评估指标

引用信息

https://arxiv.org/abs/2205.03026

@misc{malmsten2022hearing,
      title={Hearing voices at the National Library -- a speech corpus and acoustic model for the Swedish language}, 
      author={Martin Malmsten and Chris Haffenden and Love Börjeson},
      year={2022},
      eprint={2205.03026},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

📄 许可证

该模型使用的许可证为cc0 - 1.0。