Wav2vec2 Base Voxpopuli Sv Swedish

🚀 Wav2vec 2.0 base-voxpopuli-sv-swedish

本项目是基于Facebook的 VoxPopuli-sv base 模型，使用NST和Common Voice数据进行微调后的版本。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 5.62%，Common Voice测试集的字错率（WER）为 19.15%。使用该模型时，请确保语音输入的采样率为16kHz。

🚀 快速开始

本模型可直接使用（无需语言模型），具体使用方法如下：

💻 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-base-voxpopuli-sv-swedish")
model = Wav2Vec2ForCTC.from_pretrained("KBLab/wav2vec2-base-voxpopuli-sv-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

数据集

评估指标

本模型使用字错率（WER）作为评估指标。

模型索引

• 模型名称：Wav2vec 2.0 base VoxPopuli-sv swedish
• 评估结果：
  • 任务：语音识别（automatic-speech-recognition）
  • 数据集：NST Swedish ASR Database
  • 评估指标：测试字错率（Test WER），值为 5.619804368919309
  • 任务：语音识别（automatic-speech-recognition）
  • 数据集：Common Voice（sv-SE）
  • 评估指标：测试字错率（Test WER），值为 19.145252414798616

许可证

本模型使用的许可证为 cc-by-nc-4.0。

标签

本模型的标签包括：audio、automatic-speech-recognition、speech、voxpopuli。

⚠️ 重要提示

使用该模型时，请确保语音输入的采样率为16kHz。