language: zh datasets:

• librispeech_asr tags:
• 语音
• 音频
• 自动语音识别
• hf-asr-leaderboard license: mit pipeline_tag: automatic-speech-recognition widget:
• example_title: Librispeech样本1 src: https://cdn-media.huggingface.co/speech_samples/sample1.flac
• example_title: Librispeech样本2 src: https://cdn-media.huggingface.co/speech_samples/sample2.flac model-index:
• name: s2t-small-librispeech-asr results:
  • task: name: 自动语音识别 type: automatic-speech-recognition dataset: name: LibriSpeech (clean) type: librispeech_asr config: clean split: test args: language: en metrics:
    • name: 测试WER type: wer value: 4.3
  • task: name: 自动语音识别 type: automatic-speech-recognition dataset: name: LibriSpeech (other) type: librispeech_asr config: other split: test args: language: en metrics:
    • name: 测试WER type: wer value: 9.0

S2T-SMALL-LIBRISPEECH-ASR

s2t-small-librispeech-asr是一个基于语音到文本转换器（S2T）训练的自动语音识别（ASR）模型。该S2T模型在这篇论文中提出，并在此代码库中发布。

模型描述

S2T是一个端到端的序列到序列变换器模型。它使用标准的自回归交叉熵损失进行训练，并以自回归方式生成转录文本。

预期用途与限制

该模型可用于端到端语音识别（ASR）。查看模型中心以寻找其他S2T检查点。

使用方法

由于这是一个标准的序列到序列变换器模型，您可以通过将语音特征传递给模型并使用generate方法来生成转录文本。

注意：Speech2TextProcessor对象使用torchaudio来提取滤波器组特征。在运行此示例前，请确保安装了torchaudio包。

注意：特征提取器依赖于torchaudio，分词器依赖于sentencepiece，因此在运行示例前请确保安装了这些包。

您可以通过pip install transformers"[speech, sentencepiece]"安装这些额外的语音依赖项，或者单独安装这些包pip install torchaudio sentencepiece。

import torch
from transformers import Speech2TextProcessor, Speech2TextForConditionalGeneration
from datasets import load_dataset

model = Speech2TextForConditionalGeneration.from_pretrained("facebook/s2t-small-librispeech-asr")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-small-librispeech-asr")

ds = load_dataset(
    "patrickvonplaten/librispeech_asr_dummy",
    "clean",
    split="validation"
)

input_features = processor(
    ds[0]["audio"]["array"],
    sampling_rate=16_000,
    return_tensors="pt"
).input_features  # 批量大小为1
generated_ids = model.generate(input_ids=input_features)

transcription = processor.batch_decode(generated_ids)

在LibriSpeech测试集上的评估

以下脚本展示了如何在LibriSpeech的*"clean"和"other"*测试数据集上评估该模型。

from datasets import load_dataset, load_metric
from transformers import Speech2TextForConditionalGeneration, Speech2TextProcessor

librispeech_eval = load_dataset("librispeech_asr", "clean", split="test")  # 更改为"other"以使用其他测试数据集
wer = load_metric("wer")

model = Speech2TextForConditionalGeneration.from_pretrained("facebook/s2t-small-librispeech-asr").to("cuda")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-small-librispeech-asr", do_upper_case=True)

librispeech_eval = librispeech_eval.map(map_to_array)

def map_to_pred(batch):
    features = processor(batch["audio"]["array"], sampling_rate=16000, padding=True, return_tensors="pt")
    input_features = features.input_features.to("cuda")
    attention_mask = features.attention_mask.to("cuda")

    gen_tokens = model.generate(input_ids=input_features, attention_mask=attention_mask)
    batch["transcription"] = processor.batch_decode(gen_tokens, skip_special_tokens=True)
    return batch

result = librispeech_eval.map(map_to_pred, batched=True, batch_size=8, remove_columns=["speech"])

print("WER:", wer(predictions=result["transcription"], references=result["text"]))

结果（WER）: