模型名称: w2v-xls-r-uk(Yehor/w2v-xls-r-uk)
模型链接:
模型描述: Wav2Vec2-XLS-R 微调的乌克兰语语音识别模型(ASR/CTC):Wav2Vec2ForCTC(hidden=1024, 24 层, vocab=40 西里尔字母),输入 16kHz 音频,CTC 解码输出文本。本部署在昇腾 NPU 上用合成音频完成语音转写全流程前向推理。
模型架构: Wav2Vec2(CNN 特征提取 7 层 + Transformer 24 层,hidden=1024,16 头)。
参数规模: 约 315.5M 参数。
适配引擎: 昇腾 torch_npu(标准 transformers 模型)。
| 依赖项 | 版本要求 | 说明 |
|---|---|---|
| Python | >= 3.10(推荐 3.11) | 本机 3.11.14 |
| CANN Toolkit | 8.0.RC2+ | 本机 8.5.1 |
| torch | 2.9.0+cpu | 本机 |
| torch_npu | 2.9.0.post1 | 昇腾 NPU 适配层 |
| transformers | 4.57.6 | 模型加载/推理 |
硬件: 昇腾 Ascend910_9362(64GB HBM ×2)。
# 方式一:推理脚本自动下载(推荐)
python3 inference.py --device npu:0
# 方式二:手动下载
mkdir -p model
for f in config.json model.safetensors preprocessor_config.json tokenizer_config.json vocab.json alphabet.json; do
curl -sSL -o "model/$f" "https://hf-mirror.com/Yehor/w2v-xls-r-uk/resolve/main/$f"
donenpu-smi info
python3 -c "import torch, torch_npu; print(torch.npu.device_count())" # 输出 2python3 inference.py --device npu:0 --dur 4.0 --warmup 1 --runs 2命令:
python3 inference.py --device npu:0 --dur 4.0 --warmup 1 --runs 2输出(关键部分):
[模型加载] w2v-xls-r-uk 完成 (Wav2Vec2ForCTC), 参数量 315.5M, 设备 npu:0
配置: hidden=1024, layers=24, vocab=40
[推理] 合成音频: 4.0s @ 16000Hz -> input_values [1, 64000]
logits 形状: [1, 199, 40]
转录文本: [PAD] (合成音频无语音, 合理)
logits 范围: [-13.5804, 9.5997]
[性能基准] device=npu:0 warmup=1 runs=2
平均推理时延 = 14.73 ms/条 (67.88 条/s)
(wav2vec2-xls-r CTC 转写, 4.0s 音频)结果分析: Wav2Vec2-XLS-R 在昇腾 NPU 上完成音频 CTC 转写,logits 输出形状正确([1,199,40]),解码正常,推理时延 14.73ms/条,验收通过。
Wav2Vec2Processor(feature_extractor + tokenizer),音频 16kHz 单声道。logits.argmax(-1) + processor.batch_decode。