Project Icon

Wav2Vec2-Large-XLSR-53-catalan

加泰罗尼亚语自动语音识别模型性能表现

项目在Common Voice数据集上微调了Facebook的Wav2Vec2-Large-XLSR-53模型,专注于加泰罗尼亚语的自动语音识别,达到8.11%的WER。支持直接使用无需语言模型的音频处理,并提供使用和评估的详细方法和代码示例。模型训练中处理内存问题的策略也有介绍。用户可考虑更新版本以获取更好的性能。

项目介绍:Wav2Vec2-Large-XLSR-53-catalan

项目背景

Wav2Vec2-Large-XLSR-53-catalan项目是在加泰罗尼亚语数据集上微调的语音识别模型,基于Facebook发布的Wav2Vec2-Large-XLSR-53。这一模型旨在改善加泰罗尼亚语的自动语音识别(ASR)能力。ASR技术在现代社会中有着广泛的应用,从语音助手到字幕自动生成,无所不在。这个项目不仅展示了语音识别技术的潜力,还为非英语语言的推广提供了新的可能性。

数据集

该项目使用了Common Voice数据集的加泰罗尼亚语部分进行训练。Common Voice是一个开放的语音数据集,由Mozilla推进,旨在提高语音识别的包容性和多样性。

模型性能

项目中的加泰罗尼亚语Wav2Vec2-Large-XLSR-53模型在Common Voice的测试数据集上测试了语音识别性能,其字错误率(WER)为8.11%。WER是评估语音识别模型的重要指标,它越低,模型的准确性就越高。

关键特性和使用方法

使用方式

用户可以直接使用该模型进行语音识别,无需额外的语言模型。使用方法包括加载数据集、对音频数据进行预处理,然后使用该模型进行预测。代码示例如下:

import torch
import torchaudio
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

test_dataset = load_dataset("common_voice", "ca", split="test[:2%]") 

processor = Wav2Vec2Processor.from_pretrained("PereLluis13/Wav2Vec2-Large-XLSR-53-catalan")
model = Wav2Vec2ForCTC.from_pretrained("PereLluis13/Wav2Vec2-Large-XLSR-53-catalan")

resampler = torchaudio.transforms.Resample(48_000, 16_000)

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])

评价方法

模型的评价通过在加泰罗尼亚语的测试数据集上计算WER得分来实现。这是通过特定的代码片段完成的,展示了如何加载数据和模型,预处理音频,并进行预测得出WER结果。

训练过程

Wav2Vec2-Large-XLSR-53-catalan模型的训练使用了Common Voice数据集中的trainvalidation部分。在训练的第二个epoch,由于内存问题进行了一次暂停,随后通过降低批量大小继续训练,并通过梯度累计保持了等效的批量大小。为了增加多样性,最后10个epoch中部分男性样本进行了调整。

结语

该项目为加泰罗尼亚语的语音识别技术提供了一个基准解决方案。虽然已经取得了一定的成绩,但推荐用户根据需要选择性能更优或数据量更大的模型进行应用,比如wav2vec2-xls-r-1b-ca-lm或wav2vec2-xls-r-300m-ca-lm。通过不断的发展和优化,这些模型将继续推动多语言语音识别技术的进步。

项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手,通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能,支持100+编程语言,与主流编辑器无缝集成,显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台,能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐,Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案,通过智能技术简化视频制作流程。无论是企业宣传还是个人分享,有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持,能够阅读和理解用户上传的文件内容,解析网页信息,并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题,Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术,为商家提供一键生成商品图和营销文案的服务,显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台,让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型,免费访问各种图像生成与AI训练工具,从Stable Diffusion等基础模型开始,轻松实现创新图像生成。体验前沿的AI技术,推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器,它将改变您观看视频的方式!SubCat结合了先进的人工智能技术,为您提供即时视频字幕翻译,无论是本地视频还是网络流媒体,让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台,利用前沿AI技术,为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图,再到文案生成,美间让创意设计更简单、更高效。

Project Cover

稿定AI

稿定设计 是一个多功能的在线设计和创意平台,提供广泛的设计工具和资源,以满足不同用户的需求。从专业的图形设计师到普通用户,无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑,稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合,帮助用户轻松实现创意设计。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号