🚀 用于语音识别的微调日语Wav2Vec2模型(使用XLSR - 53大模型)
本项目是基于facebook/wav2vec2-large-xlsr-53模型,使用Common Voice、JVS和JSUT数据集对日语进行微调后的语音识别模型。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),以下是使用示例。
💻 使用示例
基础用法
import torch
import librosa
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
LANG_ID = "ja"
MODEL_ID = "Ivydata/wav2vec2-large-xlsr-53-japanese"
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)
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)
📚 详细文档
测试结果
下表展示了该模型在TEDxJP - 10K数据集上测试的字符错误率(CER)。
模型 |
字符错误率(CER) |
Ivydata/wav2vec2-large-xlsr-53-japanese |
27.87% |
jonatasgrosman/wav2vec2-large-xlsr-53-japanese |
34.18% |
vumichien/wav2vec2-large-xlsr-japanese |
37.72% |
测试推理示例
参考文本 |
预测文本 |
ただ選択するのではなくどう考えて選択をするのか |
ただ洗濯するのではなくどう考えて洗択をするのか |
この巨大な構造物を宇宙に作ることができた人間 |
この巨大な構造物を宇宙に作ることができた人間 |
何かしら嫌いになっていってしまったわけですよね |
何にかしら気段になっっていってしまったおけどすね |
そんな僕だからこそ言えることは筋肉を変えれば自分が変わってくるし |
んな僕らからこスえることは筋肉を変えれば自分が変わってくし |
そうするとその言葉を使って未来のイメージを形作っていくことができると |
そうするとその言葉を使って未来のイメーージを形作っていことができると |
引用方式
如果您想引用此模型,可以使用以下格式:
@misc{Ivydata2023-wav2vec2-xlsr53-large-japanese,
title={Fine-tuned Japanese Wav2Vec2 model for speech recognition using XLSR-53 large},
author={Kosuke Suzuki},
howpublished={\url{https://huggingface.co/Ivydata/wav2vec2-large-xlsr-53-japanese/}},
year={2023}
}
📄 许可证
本项目采用Apache - 2.0许可证。