Wav2vec2 Large Xlsr 53 Hungarian
基于facebook/wav2vec2-large-xlsr-53在匈牙利语Common Voice数据集上微调的自动语音识别模型
下载量 17
发布时间 : 3/2/2025
模型简介
这是一个针对匈牙利语优化的自动语音识别(ASR)模型,在Mozilla Common Voice 17.0匈牙利语数据集上微调,能够将匈牙利语语音转换为文本。
模型特点
匈牙利语优化
专门针对匈牙利语语音识别任务进行了微调优化
高性能
在Common Voice测试集上达到17.28%的词错误率,优于同类模型
基于Wav2Vec2架构
采用Facebook先进的Wav2Vec2-large-xlsr-53作为基础模型
模型能力
匈牙利语语音识别
语音转文本
自动语音转录
使用案例
语音转录
匈牙利语语音转录
将匈牙利语语音内容转换为文本
词错误率17.28%
语音助手
匈牙利语语音指令识别
用于匈牙利语语音助手或语音控制系统的语音识别模块
🚀 wav2vec2-large-xlsr-53-hungarian
这个模型是 facebook/wav2vec2-large-xlsr-53 在 MOZILLA-FOUNDATION/COMMON_VOICE_17_0 - HU 数据集上的微调版本。它能够将语音数据转换为文本,在语音识别领域有重要应用价值。
🚀 快速开始
这个模型是 facebook/wav2vec2-large-xlsr-53 在 MOZILLA-FOUNDATION/COMMON_VOICE_17_0 - HU 数据集上的微调版本。它在评估集上取得了以下结果:
- 损失值:0.1748
- 词错误率(Wer):0.2997
由于忽略了部分字符,训练和测量的词错误率值有所不同。
✨ 主要特性
模型对比
与之前最佳的 wav2vec 模型(在 CV17 上评估)相比,本模型表现更优:
模型名称 | 词错误率(WER) | 字符错误率(CER) |
---|---|---|
jonatasgrosman/wav2vec2-large-xlsr-53-hungarian | 46.199835320230555 | 9.85170677112479 |
sarpba/wav2vec2-large-xlsr-53-hungarian | 17.27824914378453 | 3.151354554132789 |
评估时忽略的字符如下:
CHARS_TO_IGNORE = [",", "?", "¿", ".", "!", "¡", ";", ";", ":", '""', "%", '"', "�", "ʿ", "·", "჻", "~", "՞",
"؟", "،", "।", "॥", "«", "»", "„", "“", "”", "「", "」", "‘", "’", "《", "》", "(", ")", "[", "]",
"{", "}", "=", "`", "_", "+", "<", ">", "…", "–", "°", "´", "ʾ", "‹", "›", "©", "®", "—", "→", "。",
"、", "﹂", "﹁", "‧", "~", "﹏", ",", "{", "}", "(", ")", "[", "]", "【", "】", "‥", "〽",
"『", "』", "〝", "〟", "⟨", "⟩", "〜", ":", "!", "?", "♪", "؛", "/", "\\", "º", "−", "^", "ʻ", "ˆ"]
💻 使用示例
基础用法
import torch
import librosa
import re
import warnings
from datasets import load_dataset
import evaluate
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
LANG_ID = "hu"
MODEL_ID = "jonatasgrosman/wav2vec2-large-xlsr-53-hungarian"
DEVICE = "cuda"
CHARS_TO_IGNORE = [",", "?", "¿", ".", "!", "¡", ";", ";", ":", '""', "%", '"', "�", "ʿ", "·", "჻", "~", "՞",
"؟", "،", "।", "॥", "«", "»", "„", "“", "”", "「", "」", "‘", "’", "《", "》", "(", ")", "[", "]",
"{", "}", "=", "`", "_", "+", "<", ">", "…", "–", "°", "´", "ʾ", "‹", "›", "©", "®", "—", "→", "。",
"、", "﹂", "﹁", "‧", "~", "﹏", ",", "{", "}", "(", ")", "[", "]", "【", "】", "‥", "〽",
"『", "』", "〝", "〟", "⟨", "⟩", "〜", ":", "!", "?", "♪", "؛", "/", "\\", "º", "−", "^", "ʻ", "ˆ"]
test_dataset = load_dataset("mozilla-foundation/common_voice_17_0", LANG_ID, split="test")
wer = evaluate.load("wer") # https://github.com/jonatasgrosman/wav2vec2-sprint/blob/main/wer.py
cer = evaluate.load("cer") # https://github.com/jonatasgrosman/wav2vec2-sprint/blob/main/cer.py
chars_to_ignore_regex = f"[{re.escape(''.join(CHARS_TO_IGNORE))}]"
processor = Wav2Vec2Processor.from_pretrained(MODEL_ID)
model = Wav2Vec2ForCTC.from_pretrained(MODEL_ID)
model.to(DEVICE)
# Preprocessing the datasets.
# We need to read the audio files as arrays
def speech_file_to_array_fn(batch):
with warnings.catch_warnings():
warnings.simplefilter("ignore")
speech_array, sampling_rate = librosa.load(batch["path"], sr=16_000)
batch["speech"] = speech_array
batch["sentence"] = re.sub(chars_to_ignore_regex, "", batch["sentence"]).upper()
return batch
test_dataset = test_dataset.map(speech_file_to_array_fn)
# Preprocessing the datasets.
# We need to read the audio 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(DEVICE), attention_mask=inputs.attention_mask.to(DEVICE)).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)
predictions = [x.upper() for x in result["pred_strings"]]
references = [x.upper() for x in result["sentence"]]
print(f"WER: {wer.compute(predictions=predictions, references=references) * 100}")
print(f"CER: {cer.compute(predictions=predictions, references=references) * 100}")
🔧 技术细节
训练过程
训练超参数
训练过程中使用了以下超参数:
- 学习率:0.0003
- 训练批次大小:16
- 评估批次大小:8
- 随机种子:42
- 分布式类型:多 GPU
- 设备数量:2
- 梯度累积步数:2
- 总训练批次大小:64
- 总评估批次大小:16
- 优化器:使用 OptimizerNames.ADAMW_TORCH,β值为 (0.9, 0.999),ε值为 1e-08,无额外优化器参数
- 学习率调度器类型:线性
- 学习率调度器热身步数:500
- 训练轮数:15.0
- 混合精度训练:原生 AMP
训练结果
训练损失 | 轮数 | 步数 | 验证损失 | 词错误率(Wer) |
---|---|---|---|---|
3.7968 | 1.0 | 758 | 0.2848 | 0.5295 |
0.2547 | 2.0 | 1516 | 0.1908 | 0.4222 |
0.1929 | 3.0 | 2274 | 0.1753 | 0.4000 |
0.1532 | 4.0 | 3032 | 0.1558 | 0.3710 |
0.1297 | 5.0 | 3790 | 0.1512 | 0.3536 |
0.1167 | 6.0 | 4548 | 0.1574 | 0.3514 |
0.101 | 7.0 | 5306 | 0.1483 | 0.3374 |
0.0859 | 8.0 | 6064 | 0.1490 | 0.3299 |
0.0791 | 9.0 | 6822 | 0.1523 | 0.3250 |
0.0702 | 10.0 | 7580 | 0.1608 | 0.3192 |
0.0629 | 11.0 | 8338 | 0.1664 | 0.3146 |
0.0559 | 12.0 | 9096 | 0.1641 | 0.3103 |
0.0527 | 13.0 | 9854 | 0.1665 | 0.3063 |
0.0468 | 14.0 | 10612 | 0.1691 | 0.3011 |
0.0443 | 15.0 | 11370 | 0.1748 | 0.2998 |
框架版本
- Transformers 4.50.0.dev0
- Pytorch 2.6.0+cu124
- Datasets 3.3.2
- Tokenizers 0.21.0
📄 许可证
本项目采用 Apache-2.0 许可证。
Voice Activity Detection
MIT
基于pyannote.audio 2.1版本的语音活动检测模型,用于识别音频中的语音活动时间段
语音识别
V
pyannote
7.7M
181
Wav2vec2 Large Xlsr 53 Portuguese
Apache-2.0
这是一个针对葡萄牙语语音识别任务微调的XLSR-53大模型,基于Common Voice 6.1数据集训练,支持葡萄牙语语音转文本。
语音识别 其他
W
jonatasgrosman
4.9M
32
Whisper Large V3
Apache-2.0
Whisper是由OpenAI提出的先进自动语音识别(ASR)和语音翻译模型,在超过500万小时的标注数据上训练,具有强大的跨数据集和跨领域泛化能力。
语音识别 支持多种语言
W
openai
4.6M
4,321
Whisper Large V3 Turbo
MIT
Whisper是由OpenAI开发的最先进的自动语音识别(ASR)和语音翻译模型,经过超过500万小时标记数据的训练,在零样本设置下展现出强大的泛化能力。
语音识别
Transformers 支持多种语言

W
openai
4.0M
2,317
Wav2vec2 Large Xlsr 53 Russian
Apache-2.0
基于facebook/wav2vec2-large-xlsr-53模型微调的俄语语音识别模型,支持16kHz采样率的语音输入
语音识别 其他
W
jonatasgrosman
3.9M
54
Wav2vec2 Large Xlsr 53 Chinese Zh Cn
Apache-2.0
基于facebook/wav2vec2-large-xlsr-53模型微调的中文语音识别模型,支持16kHz采样率的语音输入。
语音识别 中文
W
jonatasgrosman
3.8M
110
Wav2vec2 Large Xlsr 53 Dutch
Apache-2.0
基于facebook/wav2vec2-large-xlsr-53微调的荷兰语语音识别模型,在Common Voice和CSS10数据集上训练,支持16kHz音频输入。
语音识别 其他
W
jonatasgrosman
3.0M
12
Wav2vec2 Large Xlsr 53 Japanese
Apache-2.0
基于facebook/wav2vec2-large-xlsr-53模型微调的日语语音识别模型,支持16kHz采样率的语音输入
语音识别 日语
W
jonatasgrosman
2.9M
33
Mms 300m 1130 Forced Aligner
基于Hugging Face预训练模型的文本与音频强制对齐工具,支持多种语言,内存效率高
语音识别
Transformers 支持多种语言

M
MahmoudAshraf
2.5M
50
Wav2vec2 Large Xlsr 53 Arabic
Apache-2.0
基于facebook/wav2vec2-large-xlsr-53微调的阿拉伯语语音识别模型,在Common Voice和阿拉伯语语音语料库上训练
语音识别 阿拉伯语
W
jonatasgrosman
2.3M
37
精选推荐AI模型
Llama 3 Typhoon V1.5x 8b Instruct
专为泰语设计的80亿参数指令模型,性能媲美GPT-3.5-turbo,优化了应用场景、检索增强生成、受限生成和推理任务
大型语言模型
Transformers 支持多种语言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型,专为边缘设备推理设计,体积仅为Cosmo-3B模型的2%左右。
对话系统
Transformers 英语

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基于RoBERTa架构的中文抽取式问答模型,适用于从给定文本中提取答案的任务。
问答系统 中文
R
uer
2,694
98