qinyue/wav2vec2-large-xlsr-53-chinese-zn-cn-aishell1

Wav2Vec2-Large-XLSR-53-Chinese-zh-CN-aishell1

Fine-tuned facebook/wav2vec2-large-xlsr-53 on Chinese using the AISHELL-1 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:

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

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%