懂AI
wav2vec2-large-xls-r-300m-Urdu

wav2vec2-large-xls-r-300m-Urdu

基于wav2vec2的乌尔都语语音识别模型

这是一个基于wav2vec2-xls-r-300m在Common Voice 8数据集上微调的乌尔都语语音识别模型。模型在测试集上达到39.89%的词错误率和16.7%的字符错误率。通过200轮训练，采用线性学习率调度和Adam优化器。模型支持简单的Python代码推理，并可与语言模型集成以提升性能。

Urdu语音识别Github模型模型微调Common Voice开源项目Huggingfacewav2vec2
GitHubHugging Face文档

wav2vec2-large-xls-r-300m-Urdu项目介绍

wav2vec2-large-xls-r-300m-Urdu是一个针对乌尔都语自动语音识别(ASR)任务的预训练模型。该模型是基于Facebook的wav2vec2-xls-r-300m模型在Common Voice 8.0数据集上进行微调得到的。

模型概述

这个模型在Common Voice 8.0的乌尔都语测试集上取得了以下性能:

  • 词错率(WER): 39.89%
  • 字符错误率(CER): 16.7%

这表明该模型在乌尔都语语音识别任务上具有良好的表现。

训练细节

模型的训练过程采用了以下超参数:

  • 学习率: 0.0001
  • 训练批次大小: 32
  • 评估批次大小: 8
  • 随机种子: 42
  • 梯度累积步数: 2
  • 总训练批次大小: 64
  • 优化器: Adam(betas=(0.9,0.999), epsilon=1e-08)
  • 学习率调度: 线性衰减
  • 预热步数: 1000
  • 训练轮数: 200

训练过程中,模型的损失值从初始的3.6398不断下降,最终在验证集上达到0.9889。词错率也从100%逐步降低到56.07%。

使用方法

研究者可以通过Hugging Face的transformers库轻松加载和使用该模型。以下是一个简单的推理示例:

from transformers import pipeline

model = "kingabzpro/wav2vec2-large-xls-r-300m-Urdu"
asr = pipeline("automatic-speech-recognition", model=model)
prediction = asr(audio_file)

模型评估

该模型在Common Voice 8的测试集上进行了评估:

  • 不使用语言模型时的WER: 52.03%
  • 使用语言模型时的WER: 39.89%

这表明加入语言模型可以显著提升识别准确率。

结论

wav2vec2-large-xls-r-300m-Urdu为乌尔都语语音识别任务提供了一个强大的基线模型。它在Common Voice数据集上展现出良好的性能,为进一步的研究和应用奠定了基础。研究者可以基于此模型进行更多的优化和改进,以应对各种乌尔都语语音识别场景。

编辑推荐精选

Keevx

Keevx

AI数字人视频创作平台

Keevx 一款开箱即用的AI数字人视频创作平台，广泛适用于电商广告、企业培训与社媒宣传，让全球企业与个人创作者无需拍摄剪辑，就能快速生成多语言、高质量的专业视频。

即梦AI

即梦AI

一站式AI创作平台

提供 AI 驱动的图片、视频生成及数字人等功能，助力创意创作

扣子-AI办公

扣子-AI办公

AI办公助手，复杂任务高效处理

AI办公助手，复杂任务高效处理。办公效率低？扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作，覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应，生活工作无缝切换，提升50%效率！

TRAE编程

TRAE编程

AI辅助编程，代码自动修复

Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
蛙蛙写作

蛙蛙写作

AI小说写作助手，一站式润色、改写、扩写

蛙蛙写作—国内先进的AI写作平台，涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能，助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。

AI辅助写作AI工具蛙蛙写作AI写作工具学术助手办公助手营销助手AI助手
问小白

问小白

全能AI智能助手，随时解答生活与工作的多样问题

问小白，由元石科技研发的AI智能助手，快速准确地解答各种生活和工作问题，包括但不限于搜索、规划和社交互动，帮助用户在日常生活中提高效率，轻松管理个人事务。

热门AI助手AI对话AI工具聊天机器人
Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手，它拥有超精准的音频识别翻译能力，几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球，无论你是留学生、商务人士、韩剧美剧爱好者，还是出国游玩、多国会议、跨国追星等等，都可以满足你所有需要同传的场景需求，线上线下通用，扫除语言障碍，让全世界的语言交流不再有国界。

讯飞智文

讯飞智文

一键生成PPT和Word，让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级，全面对标OpenAI o1

科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。

下拉加载更多