语言: 英语 数据集:

• librispeech_asr 标签:
• 语音
• 音频
• 自动语音识别
• hf-asr-leaderboard 许可证: mit 管道标签: 自动语音识别 小部件:
• 示例标题: Librispeech 样本 1 src: https://cdn-media.huggingface.co/speech_samples/sample1.flac
• 示例标题: Librispeech 样本 2 src: https://cdn-media.huggingface.co/speech_samples/sample2.flac 模型索引:
• 名称: s2t-small-librispeech-asr 结果:
  • 任务: 名称: 自动语音识别 类型: automatic-speech-recognition 数据集: 名称: LibriSpeech (clean) 类型: librispeech_asr 配置: clean 分割: test 参数: 语言: en 指标:
    • 名称: 测试 WER 类型: wer 值: 4.3
  • 任务: 名称: 自动语音识别 类型: automatic-speech-recognition 数据集: 名称: LibriSpeech (other) 类型: librispeech_asr 配置: other 分割: test 参数: 语言: en 指标:
    • 名称: 测试 WER 类型: wer 值: 9.0

S2T-SMALL-LIBRISPEECH-ASR

s2t-small-librispeech-asr 是一个用于自动语音识别（ASR）的语音到文本转换器（S2T）模型。 该 S2T 模型在这篇论文中提出，并在这个代码库中发布。

模型描述

S2T 是一个端到端的序列到序列转换器模型。它使用标准的自回归交叉熵损失进行训练，并自回归地生成转录文本。

预期用途与限制

该模型可用于端到端的语音识别（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转换器模型，您可以使用 generate 方法通过将语音特征传递给模型来生成转录文本。

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

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

您可以通过 pip install transformers"[speech, sentencepiece]" 作为额外的语音依赖项安装这些包，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）: