Wav2Vec2ForCTC(基座 facebook/wav2vec2-xls-r-300m 微调的僧伽罗语 CTC 语音识别模型), 参数量 315,520,720。~/models/SpideyDLK/wav2vec2-large-xls-r-300m-sinhala-low-LR-part1(预下载完成)。inference.py 是唯一验收入口, 在昇腾 910B4(32G) 上以 npu:0 fp16 运行:
python3 inference.py # 默认读取 ~/models/SpideyDLK/wav2vec2-large-xls-r-300m-sinhala-low-LR-part1
MODEL_PATH=~/models/SpideyDLK/wav2vec2-large-xls-r-300m-sinhala-low-LR-part1 python3 inference.py # 或显式指定权重目录Wav2Vec2Processor(特征提取 + CTC tokenizer) + Wav2Vec2ForCTC.from_pretrained, 注意力用 attn_implementation="eager"。input_values (1, 72000)。logits (1, 224, 80), argmax 取 token 后 processor.batch_decode 贪心解码为转写文本。import torch_npu 并断言 torch.npu.is_available(), 无 CPU 回退; fp16 优先, 输出异常时自动回退 fp32。ුතතතිතතයි —— 输入为合成冒烟信号而非真实僧伽罗语语音, 转写不代表真实识别效果。import torch_npu 注册 NPU 后端, 模型 .to("npu:0"), 输入张量同步搬运并转为与权重一致的 dtype。eager 实现, 规避部分 CANN/torch_npu 版本下 SDPA 算子兼容问题。依赖: torch / torch_npu / transformers>=5.0 / numpy。验证截图见 assets/agent_workflow.png、assets/npu_device_call.png、assets/model_result.png。