|
--- |
|
language: zh |
|
datasets: |
|
- aishell1 |
|
metrics: |
|
- wer |
|
tags: |
|
- audio |
|
- automatic-speech-recognition |
|
- speech |
|
- xlsr-fine-tuning-week |
|
license: apache-2.0 |
|
model-index: |
|
- name: XLSR Wav2Vec2 Large 53 - Chinese (zh-CN), by Yue Qin |
|
results: |
|
- task: |
|
name: Speech Recognition |
|
type: automatic-speech-recognition |
|
dataset: |
|
name: AISHELL-1 zh-CN |
|
type: aishell1 |
|
args: zh-CN |
|
metrics: |
|
- name: Test WER |
|
type: wer |
|
value: 7.04 |
|
--- |
|
|
|
# Wav2Vec2-Large-XLSR-53-Chinese-zh-CN-aishell1 |
|
|
|
Fine-tuned [facebook/wav2vec2-large-xlsr-53](https://huggingface.co/facebook/wav2vec2-large-xlsr-53) on Chinese using the [AISHELL-1](https://github.com/kaldi-asr/kaldi/tree/master/egs/aishell) dataset. |
|
When using this model, make sure that your speech input is sampled at 16kHz. |
|
|
|
## Usage |
|
|
|
The model can be used directly (without a language model) as follows: |
|
|
|
```python |
|
import torch |
|
import librosa |
|
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor |
|
|
|
device = "cuda:0" if torch.cuda.is_available() else "cpu" |
|
|
|
processor = Wav2Vec2Processor.from_pretrained( |
|
'qinyue/wav2vec2-large-xlsr-53-chinese-zn-cn-aishell1') |
|
model = Wav2Vec2ForCTC.from_pretrained( |
|
'qinyue/wav2vec2-large-xlsr-53-chinese-zn-cn-aishell1').to(device) |
|
|
|
filepath = 'test.wav' |
|
audio, sr = librosa.load(filepath, sr=16000, mono=True) |
|
inputs = processor(audio, sample_rate=16000, return_tensors="pt").to(device) |
|
with torch.no_grad(): |
|
logits = model(inputs.input_values, |
|
attention_mask=inputs.attention_mask).logits |
|
predicted_ids = torch.argmax(logits, dim=-1) |
|
pred_str = processor.decode(predicted_ids[0]) |
|
|
|
print(pred_str) |
|
``` |
|
|
|
## Evaluation |
|
|
|
```python |
|
wer_metric = load_metric("wer") |
|
|
|
def compute_metrics(pred): |
|
pred_logits = pred.predictions |
|
pred_ids = np.argmax(pred_logits, axis=-1) |
|
|
|
pred.label_ids[pred.label_ids == -100] = processor.tokenizer.pad_token_id |
|
|
|
pred_str = processor.batch_decode(pred_ids, spaces_between_special_tokens=True) |
|
label_str = processor.batch_decode(pred.label_ids, group_tokens=False, spaces_between_special_tokens=True) |
|
|
|
wer = wer_metric.compute(predictions=pred_str, references=label_str) |
|
|
|
return {"wer": wer} |
|
``` |
|
|
|
## Results |
|
|
|
| Reference | Prediction | |
|
| ------------- | ------------- | |
|
| 据 伟 业 我 爱 我 家 市 场 研 究 院 测 算 | 据 北 业 我 爱 我 家 市 场 研 究 院 测 算 | |
|
| 七 月 北 京 公 积 金 贷 款 成 交 量 提 升 了 百 分 之 五 | 七 月 北 京 公 积 金 贷 款 成 交 量 提 升 了 百 分 之 五 | |
|
| 培 育 门 类 丰 富 层 次 齐 用 的 综 合 利 用 产 业 | 培 育 门 类 丰 富 层 资 集 业 的 综 合 利 用 产 业 | |
|
| 我 们 迎 来 了 赶 超 发 达 国 家 的 难 得 机 遇 | 我 们 迎 来 了 赶 超 发 达 国 家 的 单 得 机 遇 | |
|
| 坚 持 基 本 草 原 保 护 制 度 | 坚 持 基 本 草 员 保 护 制 度 | |
|
| 强 化 水 生 生 态 修 复 和 建 设 | 强 化 水 生 生 态 修 复 和 建 设 | |
|
| 温 州 两 男 子 为 争 女 人 驾 奔 驰 宝 马 街 头 四 次 对 撞 | 温 州 两 男 子 为 争 女 人 架 奔 驰 宝 马 接 头 四 次 对 重 | |
|
| 她 表 示 应 该 是 吃 吃 饭 看 电 影 之 类 的 | 他 表 示 一 的 是 吃 吃 饭 看 电 影 之 理 | |
|
| 加 强 畜 禽 遗 传 资 源 和 农 业 野 生 植 物 资 源 保 护 | 加 强 续 紧 遗 传 资 源 和 农 业 野 生 职 物 资 源 保 护 | |
|
| 两 人 都 是 依 赖 电 话 沟 通 | 两 人 都 是 依 赖 电 话 沟 通 | |
|
|
|
**Test Result**: |
|
|
|
In the table below I report the Word Error Rate (WER) of the model on the AISHELL-1 test dataset. |
|
|
|
| Model | WER | WER-with-LM | |
|
| ------------- | ------------- | ------------- | |
|
| qinyue/wav2vec2-large-xlsr-53-chinese-zn-cn-aishell1 | **7.04%** | **3.96%** | |
