语言: 英文
数据集:

• librispeech_asr

标签:

• 语音
• 音频
• 自动语音识别
• hf-asr-leaderboard

许可证: apache-2.0

模型索引:

• 名称: wav2vec2-conformer-rel-pos-large-960h-ft
  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
    拆分: test
    参数:
    语言: en
    指标:
    • 名称: 测试WER
      类型: wer
      值: 1.85
  • 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
    拆分: test
    参数:
    语言: en
    指标:
    • 名称: 测试WER
      类型: wer
      值: 3.83

采用相对位置嵌入的Wav2Vec2-Conformer-Large-960h模型

此Wav2Vec2-Conformer模型采用相对位置嵌入技术，基于16kHz采样的语音音频，在960小时的Librispeech数据上进行了预训练和微调。使用时请确保输入语音同样以16kHz采样。

论文: fairseq S2T: 基于fairseq的快速语音到文本建模
作者: Changhan Wang, Yun Tang, Xutai Ma, Anne Wu, Sravya Popuri, Dmytro Okhonko, Juan Pino

Wav2Vec2-Conformer的性能结果详见官方论文的表3和表4。

原始模型参见: https://github.com/pytorch/fairseq/tree/master/examples/wav2vec#wav2vec-20

使用方法

作为独立声学模型转录音频文件示例如下:

from transformers import Wav2Vec2Processor, Wav2Vec2ConformerForCTC  
from datasets import load_dataset  
import torch  

# 加载模型和处理器  
processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-conformer-rel-pos-large-960h-ft")  
model = Wav2Vec2ConformerForCTC.from_pretrained("facebook/wav2vec2-conformer-rel-pos-large-960h-ft")  

# 加载示例数据集并读取音频  
ds = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")  

# 特征处理  
input_values = processor(ds[0]["audio"]["array"], return_tensors="pt", padding="longest").input_values  

# 获取逻辑输出  
logits = model(input_values).logits  

# 取最大值并解码  
predicted_ids = torch.argmax(logits, dim=-1)  
transcription = processor.batch_decode(predicted_ids)  

评估

以下代码展示如何在LibriSpeech的"clean"和"other"测试集上评估facebook/wav2vec2-conformer-rel-pos-large-960h-ft模型:

from datasets import load_dataset  
from transformers import Wav2Vec2ConformerForCTC, Wav2Vec2Processor  
import torch  
from jiwer import wer  

librispeech_eval = load_dataset("librispeech_asr", "clean", split="test")  

model = Wav2Vec2ConformerForCTC.from_pretrained("facebook/wav2vec2-large-960h-lv60-self").to("cuda")  
processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-large-960h-lv60-self")  

def map_to_pred(batch):  
    inputs = processor(batch["audio"]["array"], return_tensors="pt", padding="longest")  
    input_values = inputs.input_values.to("cuda")  
    attention_mask = inputs.attention_mask.to("cuda")  

    with torch.no_grad():  
        logits = model(input_values, attention_mask=attention_mask).logits  

    predicted_ids = torch.argmax(logits, dim=-1)  
    transcription = processor.batch_decode(predicted_ids)  
    batch["transcription"] = transcription  
    return batch  

result = librispeech_eval.map(map_to_pred, remove_columns=["audio"])  

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

词错误率(WER)结果: