🚀 用于中文语音识别的微调XLSR - 53大模型
本项目微调了facebook/wav2vec2-large-xlsr-53模型,使用了Common Voice 6.1、CSS10和ST - CMDS的训练集和验证集进行中文微调。使用该模型时,请确保语音输入的采样率为16kHz。
此模型在RTX3090上进行了50小时的微调训练。训练脚本可在以下链接找到:https://github.com/jonatasgrosman/wav2vec2-sprint
🚀 快速开始
本模型是基于facebook/wav2vec2-large-xlsr-53在中文数据集上微调得到的语音识别模型。它可以对中文语音进行有效的识别,在多个中文数据集上进行了训练和验证,使用时需注意语音输入采样率为16kHz。
✨ 主要特性
- 基于XLSR - 53大模型进行微调,适用于中文语音识别。
- 可直接使用,无需语言模型。
- 提供了训练脚本和评估脚本,方便用户使用和评估。
📦 安装指南
文档未提及具体安装步骤,可参考相关依赖库(如huggingsound
、transformers
、datasets
等)的官方安装指南进行安装。
💻 使用示例
基础用法
使用HuggingSound库可以直接使用该模型进行语音识别:
from huggingsound import SpeechRecognitionModel
model = SpeechRecognitionModel("wbbbbb/wav2vec2-large-chinese-zh-cn")
audio_paths = ["/path/to/file.mp3", "/path/to/another_file.wav"]
transcriptions = model.transcribe(audio_paths)
📚 详细文档
评估
该模型可以在Common Voice的中文(zh - CN)测试数据上进行评估,以下是评估代码:
import torch
import re
import librosa
from datasets import load_dataset, load_metric
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import warnings
import os
os.environ["KMP_AFFINITY"] = ""
LANG_ID = "zh-CN"
MODEL_ID = "zh-CN-output-aishell"
DEVICE = "cuda"
test_dataset = load_dataset("common_voice", LANG_ID, split="test")
wer = load_metric("wer")
cer = load_metric("cer")
processor = Wav2Vec2Processor.from_pretrained(MODEL_ID)
model = Wav2Vec2ForCTC.from_pretrained(MODEL_ID)
model.to(DEVICE)
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("([^\u4e00-\u9fa5\u0030-\u0039])", "", batch["sentence"]).lower() + " "
)
return batch
test_dataset = test_dataset.map(
speech_file_to_array_fn,
num_proc=15,
remove_columns=['client_id', 'up_votes', 'down_votes', 'age', 'gender', 'accent', 'locale', 'segment'],
)
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.lower() for x in result["pred_strings"]]
references = [x.lower() for x in result["sentence"]]
print(
f"WER: {wer.compute(predictions=predictions, references=references, chunk_size=1000) * 100}"
)
print(f"CER: {cer.compute(predictions=predictions, references=references) * 100}")
测试结果
以下表格展示了该模型以及其他模型的词错误率(WER)和字符错误率(CER)。评估脚本于2022 - 07 - 18运行,表格中的结果可能与其他评估脚本的结果不同,这可能是由于使用的评估脚本的特殊性导致的。
模型 |
WER |
CER |
wbbbbb/wav2vec2-large-chinese-zh-cn |
70.47% |
12.30% |
jonatasgrosman/wav2vec2-large-xlsr-53-chinese-zh-cn |
82.37% |
19.03% |
ydshieh/wav2vec2-large-xlsr-53-chinese-zh-cn-gpt |
84.01% |
20.95% |
📄 许可证
本模型使用的许可证为apache - 2.0
。
📚 引用
如果您想引用此模型,可以使用以下BibTeX格式:
@misc{grosman2021xlsr53-large-chinese,
title={Fine-tuned {XLSR}-53 large model for speech recognition in {C}hinese},
author={Grosman, Jonatas},
howpublished={\url{https://huggingface.co/wbbbbb/wav2vec2-large-chinese-zh-cn}},
year={2021}
}