介绍 这是 （“第 1 部分指南”）的配套指南。我编写了第 1 部分指南，介绍如何针对智利西班牙语微调 Meta AI 的 模型。假设您已完成该指南并生成了您自己的微调 XLS-R 模型。本指南将解释通过 对微调后的 XLS-R 模型进行 的步骤。 使用 wav2vec2 第 1 部分 - 微调 XLS-R 以进行自动语音识别 wav2vec2 XLS-R（“XLS-R”） Kaggle Notebook 推理 先决条件和开始之前 要完成本指南，您需要具备： 针对西班牙语进行微调的 XLS-R 模型。 现有的 。 Kaggle 帐户 具有中级 Python 知识。 具有使用 Kaggle Notebooks 的中级知识。 对 ML 概念有中级了解。  ASR 概念的基本知识。 构建推理笔记本 步骤 1 - 设置你的 Kaggle 环境 步骤 1.1 - 创建新的 Kaggle Notebook 登录 Kaggle。 创建一个新的 Kaggle Notebook。 可以根据需要更改笔记本的名称。本指南使用笔记本名称  。 spanish-asr-inference 步骤 1.2 - 添加测试数据集 本指南使用 作为测试数据来源。与 一样，秘鲁语者数据集也由两个子数据集组成：2,918 条秘鲁男性说话者的录音和 2,529 条秘鲁女性说话者的录音。 秘鲁西班牙语语音数据集 智利西班牙语语音数据集 该数据集已作为 2 个不同的数据集上传至 Kaggle： 秘鲁男性说话者的录音 秘鲁女性说话者的录音 单击 ，将这两个数据集都添加到您的 Kaggle Notebook 中。 添加输入 步骤 1.3 - 添加微调模型 您应该在 指南的 中将微调后的模型保存为 。 使用 wav2vec2 第 1 部分 - 对 XLS-R 进行自动语音识别微调 第 4 步 Kaggle 模型 单击  ，将微调后的模型添加到你的 Kaggle Notebook 中。 “添加输入” 第 2 步 - 构建推理笔记本 以下 16 个子步骤按顺序构建推理笔记本的 16 个单元。您会注意到，这里使用了许多与第 1 部分指南相同的实用方法。 步骤 2.1 - CELL 1：安装包 推理笔记本的第一个单元格安装依赖项。将第一个单元格设置为：   ### CELL 1: Install Packages ### !pip install --upgrade torchaudio !pip install jiwer 步骤 2.2 - CELL 2：导入 Python 包 第二个单元格导入所需的 Python 包。将第二个单元格设置为：   ### CELL 2: Import Python packages ### import re import math import random import pandas as pd import torchaudio from datasets import load_metric from transformers import pipeline 步骤 2.3 - 单元格 3：加载 WER 指标 第三个单元格导入 HuggingFace WER 评估指标。将第三个单元格设置为：   ### CELL 3: Load WER metric ### wer_metric = load_metric("wer")  WER 将用于衡量微调模型在测试数据上的性能。 步骤 2.4 - 单元格 4：设置常数 第四个单元格设置将在整个笔记本中使用的常量。将第四个单元格设置为：   ### CELL 4: Constants ### # Testing data TEST_DATA_PATH_MALE = "/kaggle/input/google-spanish-speakers-peru-male/" TEST_DATA_PATH_FEMALE = "/kaggle/input/google-spanish-speakers-peru-female/" EXT = ".wav" NUM_LOAD_FROM_EACH_SET = 3 # Special characters SPECIAL_CHARS = r"[\d\,\-\;\!\¡\?\¿\।\'\'\"\–\'\:\/\.\“\”\৷\…\‚\॥\\]" # Sampling rates ORIG_SAMPLING_RATE = 48000 TGT_SAMPLING_RATE = 16000 步骤 2.5 - CELL 5：读取索引文件、清理文本和创建词汇表的实用方法 第五个单元格定义了用于读取数据集索引文件以及清理转录文本和从测试数据中生成一组随机样本的实用方法。将第五个单元格设置为：   ### CELL 5: Utility methods for reading index files, cleaning text, random indices generator ### def read_index_file_data(path: str, filename: str): data = [] with open(path + filename, "r", encoding = "utf8") as f: lines = f.readlines() for line in lines: file_and_text = line.split("\t") data.append([path + file_and_text[0] + EXT, file_and_text[1].replace("\n", "")]) return data def clean_text(text: str) -> str: cleaned_text = re.sub(SPECIAL_CHARS, "", text) cleaned_text = cleaned_text.lower() return cleaned_text def get_random_samples(dataset: list, num: int) -> list: used = [] samples = [] for i in range(num): a = -1 while a == -1 or a in used: a = math.floor(len(dataset) * random.random()) samples.append(dataset[a]) used.append(a) return samples   方法读取 数据集索引文件并生成包含音频文件名和转录数据的列表列表，例如： read_index_file_data line_index.tsv   [ ["/kaggle/input/google-spanish-speakers-chile-male/clm_08421_01719502739", "Es un viaje de negocios solamente voy por una noche"] ... ]   方法用于删除每个文本转录中 中分配给 的正则表达式所指定的字符。这些字符（包括标点符号）可以被删除，因为它们在训练模型以学习音频特征和文本转录之间的映射时不提供任何语义价值。 clean_text 步骤 2.4 SPECIAL_CHARS   方法返回一组随机测试样本，其数量由 中的常量 设置。 get_random_samples 步骤 2.4 NUM_LOAD_FROM_EACH_SET 步骤 2.6 - 单元 6：用于加载和重采样音频数据的实用方法 第六个单元格定义使用 加载和重新采样音频数据的实用方法。将第六个单元格设置为： torchaudio   ### CELL 7: Utility methods for loading and resampling audio data ### def read_audio_data(file): speech_array, sampling_rate = torchaudio.load(file, normalize = True) return speech_array, sampling_rate def resample(waveform): transform = torchaudio.transforms.Resample(ORIG_SAMPLING_RATE, TGT_SAMPLING_RATE) waveform = transform(waveform) return waveform[0]   方法加载指定的音频文件并返回音频数据的 多维矩阵以及音频的采样率。训练数据中的所有音频文件的采样率均为  Hz。此“原始”采样率由 中的常量 捕获。 read_audio_data torch.Tensor 48000 步骤 2.4 ORIG_SAMPLING_RATE   方法用于将音频数据从采样率 下采样到目标采样率  。 resample 48000 16000 步骤 2.7 - 单元 7：读取测试数据 第七个单元格使用 中定义的 方法读取男性说话者录音和女性说话者录音的测试数据索引文件。将第七个单元格设置为： 步骤 2.5 read_index_file_data   ### CELL 7: Read test data ### test_data_male = read_index_file_data(TEST_DATA_PATH_MALE, "line_index.tsv") test_data_female = read_index_file_data(TEST_DATA_PATH_FEMALE, "line_index.tsv") 步骤 2.8 - 单元格 8：生成随机测试样本列表 第八个单元格使用 中定义的 方法生成随机测试样本集。将第八个单元格设置为： 步骤 2.5 get_random_samples   ### CELL 8: Generate lists of random test samples ### random_test_samples_male = get_random_samples(test_data_male, NUM_LOAD_FROM_EACH_SET) random_test_samples_female = get_random_samples(test_data_female, NUM_LOAD_FROM_EACH_SET) 步骤 2.9 - 单元格 9：合并测试数据 第九个单元格将男性测试样本和女性测试样本合并为一个列表。将第九个单元格设置为：   ### CELL 9: Combine test data ### all_test_samples = random_test_samples_male + random_test_samples_female 步骤 2.10 - 单元格 10：清理转录测试 第十个单元格对每个测试数据样本进行迭代，并使用 中定义的 方法清理相关的转录文本。将第十个单元格设置为： 步骤 2.5 clean_text   ### CELL 10: Clean text transcriptions ### for index in range(len(all_test_samples)): all_test_samples[index][1] = clean_text(all_test_samples[index][1]) 步骤 2.11 - 单元格 11：加载音频数据 第 11 个单元格加载 列表中指定的每个音频文件。将第 11 个单元格设置为： all_test_samples   ### CELL 11: Load audio data ### all_test_data = [] for index in range(len(all_test_samples)): speech_array, sampling_rate = read_audio_data(all_test_samples[index][0]) all_test_data.append({ "raw": speech_array, "sampling_rate": sampling_rate, "target_text": all_test_samples[index][1] }) 音频数据以 的形式返回，并以字典列表的形式存储在 中。每个字典包含特定样本的音频数据、采样率和音频的文本转录。 torch.Tensor all_test_data 步骤 2.12 - 单元格 12：重新采样音频数据 第十二个单元格将音频数据重新采样为目标采样率  。将第十二个单元格设置为： 16000   ### CELL 12: Resample audio data and cast to NumPy arrays ### all_test_data = [{"raw": resample(sample["raw"]).numpy(), "sampling_rate": TGT_SAMPLING_RATE, "target_text": sample["target_text"]} for sample in all_test_data] 步骤 2.13 - 单元 13：初始化自动语音识别管道实例 第十三个单元格初始化 HuggingFace  库 类的实例。将第十三个单元格设置为： transformer pipeline   ### CELL 13: Initialize instance of Automatic Speech Recognition Pipeline ### transcriber = pipeline("automatic-speech-recognition", model = "YOUR_FINETUNED_MODEL_PATH")   参数必须设置为 中添加到 Kaggle Notebook 的微调 的路径，例如： model 步骤 1.3 模型   transcriber = pipeline("automatic-speech-recognition", model = "/kaggle/input/xls-r-300m-chilean-spanish/transformers/hardy-pine/1") 步骤 2.14 - 单元格 14：生成预测 第 14 个单元格在测试数据上调用上一步初始化的 来生成文本预测。将第 14 个单元格设置为： transcriber   ### CELL 14: Generate transcriptions ### transcriptions = transcriber(all_test_data) 步骤 2.15 - 单元格 15：计算 WER 指标 第十五个单元格计算每个预测的 WER 分数以及所有预测的总体 WER 分数。将第十五个单元格设置为：   ### CELL 15: Calculate WER metrics ### predictions = [transcription["text"] for transcription in transcriptions] references = [transcription["target_text"][0] for transcription in transcriptions] wers = [] for p in range(len(predictions)): wer = wer_metric.compute(predictions = [predictions[p]], references = [references[p]]) wers.append(wer) zipped = list(zip(predictions, references, wers)) df = pd.DataFrame(zipped, columns=["Prediction", "Reference", "WER"]) wer = wer_metric.compute(predictions = predictions, references = references) 步骤 2.16 - 单元格 16：打印 WER 指标 第十六个单元格（也是最后一个单元格）仅打印上一步中的 WER 计算结果。将第十六个单元格设置为：   ### CELL 16: Output WER metrics ### pd.set_option("display.max_colwidth", None) print(f"Overall WER: {wer}") print(df)  WER 分析 由于笔记本会根据测试数据的随机样本生成预测，因此每次运行笔记本时输出都会有所不同。在运行笔记本时，  设置为  ，总共 6 个测试样本，生成了以下输出： NUM_LOAD_FROM_EACH_SET 3   Overall WER: 0.013888888888888888 Prediction \ 0 quiero que me reserves el mejor asiento del teatro 1 el llano en llamas es un clásico de juan rulfo 2 el cuadro de los alcatraces es una de las pinturas más famosas de diego rivera 3 hay tres cafés que están abiertos hasta las once de la noche 4 quiero que me recomiendes una dieta pero donde uno pueda comer algo no puras verduras 5 cuántos albergues se abrieron después del terremoto del diecinueve de setiembre Reference \ 0 quiero que me reserves el mejor asiento del teatro 1 el llano en llamas es un clásico de juan rulfo 2 el cuadro de los alcatraces es una de las pinturas más famosas de diego rivera 3 hay tres cafés que están abiertos hasta las once de la noche 4 quiero que me recomiendes una dieta pero donde uno pueda comer algo no puras verduras 5 cuántos albergues se abrieron después del terremoto del diecinueve de septiembre WER 0 0.000000 1 0.000000 2 0.000000 3 0.000000 4 0.000000 5 0.090909 可以看出，该模型表现非常出色！它只在第六个样本（索引  ）中犯了一个错误，将单词 拼写为  。当然，使用不同的测试样本（更重要的是，使用更多的测试样本）再次运行该笔记本，将产生不同且更具信息量的结果。尽管如此，这些有限的数据表明该模型可以在不同的西班牙语方言上表现良好 - 例如，它是用智利西班牙语训练的，但似乎在秘鲁西班牙语上表现良好。 5 septiembre setiembre 结论 如果您刚刚开始学习如何使用 wav2vec2 模型，我希望 指南和本指南对您有所帮助。如前所述，第 1 部分指南生成的微调模型并不是最先进的，但仍可用于许多应用。祝您构建愉快！ 《使用 wav2vec2 第 1 部分 - 微调 XLS-R 进行自动语音识别》

The code in this story is for educational purposes. The readers are solely responsible for whatever they build with it.

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

Read My Stories

該音頻是用故事的原始語言製作的！

使用 wav2vec2 第 2 部分 - 在经过微调的 ASR 模型上运行推理

About Author

註釋

標籤

这篇文章刊登在

Related Stories

想赢得 HackerNoon 写作比赛吗？以下是 #crypto-api 比赛获奖者的推荐

释放人工智能的力量。前沿技术的系统评价：摘要与介绍

从论坛到信息流：社交媒体算法如何塑造数字互动

成功云迁移的完整指南：策略和最佳实践

想赢得 HackerNoon 写作比赛吗？以下是 #crypto-api 比赛获奖者的推荐

释放人工智能的力量。前沿技术的系统评价：摘要与介绍

从论坛到信息流：社交媒体算法如何塑造数字互动

成功云迁移的完整指南：策略和最佳实践

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps