Github
Huggingface
文档项目概述
这是一个名为"wav2vec2-large-xlsr-53-russian"的项目，它是一个针对俄语语音识别的微调模型。该模型基于Facebook的wav2vec2-large-xlsr-53模型，通过使用Common Voice 6.1和CSS10数据集的训练和验证集进行了微调。这个项目旨在提供一个高性能的俄语自动语音识别(ASR)解决方案。
模型特点
该模型具有以下特点：
- 专门针对俄语语音识别进行了优化
- 基于大规模预训练的多语言模型XLSR-53
- 使用16kHz采样率的语音输入
- 支持直接使用，无需额外的语言模型
性能指标
模型在Common Voice俄语测试集上的表现：
- 词错误率(WER): 13.3%
- 字符错误率(CER): 2.88%
使用语言模型后的性能进一步提升：
- 词错误率(WER): 9.57%
- 字符错误率(CER): 2.24%
使用方法
该模型可以通过两种方式使用：
-
使用HuggingSound库：
- 导入SpeechRecognitionModel
- 加载模型
- 使用transcribe方法进行音频转写
-
自定义推理脚本：
- 导入必要的库和模型
- 加载音频数据
- 对音频进行预处理
- 使用模型进行推理
- 解码输出结果
评估方法
项目提供了两种评估方法：
- 在mozilla-foundation/common_voice_6_0数据集上评估
- 在speech-recognition-community-v2/dev_data数据集上评估
评估脚本可以通过命令行运行，可以指定模型ID、数据集、配置和分割等参数。
项目贡献
该项目由Jonatas Grosman开发，并得到了OVHcloud提供的GPU计算资源支持。项目的训练脚本可在GitHub上获取。
引用
如果在研究中使用了这个模型，可以使用提供的BibTeX格式进行引用，以表彰作者的贡献。
总的来说，这个项目为俄语语音识别提供了一个强大的工具，它不仅性能优秀，而且使用简便，可以为各种需要俄语语音转文本的应用提供支持。
