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-large-10min-lv60
  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
    参数: en
    指标:
    • 名称: 测试 WER
      类型: wer
      值: 无

Wav2Vec2-Large-10min-Lv60 + 自训练

这是从fairseq直接迁移到huggingface的state_dict，权重完全一致

Facebook的Wav2Vec2

该大模型在Libri-Light和Librispeech的10分钟数据上进行了预训练和微调，采样率为16kHz的语音音频。模型使用了自训练目标进行训练。使用该模型时，请确保您的语音输入同样以16kHz采样。

论文

作者: Alexei Baevski, Henry Zhou, Abdelrahman Mohamed, Michael Auli

摘要

他们首次证明，仅从语音音频中学习强大表示，再通过转录语音进行微调，可以超越最佳半监督方法，同时概念上更为简单。wav2vec 2.0在潜在空间中对语音输入进行掩码，并通过对比任务解决潜在表示的量化问题，这些表示是联合学习的。使用Librispeech所有标注数据的实验在clean/other测试集上达到了1.8/3.3的WER。当标注数据量降至1小时时，wav2vec 2.0在使用100倍更少标注数据的情况下，超越了之前100小时子集的最先进水平。仅使用10分钟标注数据并在53k小时无标注数据上进行预训练，仍能达到4.8/8.2的WER。这证明了在有限标注数据下语音识别的可行性。

原始模型可在以下链接找到：https://github.com/pytorch/fairseq/tree/master/examples/wav2vec#wav2vec-20。

使用方法

要将音频文件转录为文本，该模型可作为独立的声学模型使用，如下所示：

from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC  
from datasets import load_dataset  
import torch  

# 加载模型和处理器  
processor = Wav2Vec2Processor.from_pretrained("Splend1dchan/wav2vec2-large-10min-lv60-self")  
model = Wav2Vec2ForCTC.from_pretrained("Splend1dchan/wav2vec2-large-10min-lv60-self")  

# 加载虚拟数据集并读取音频文件  
ds = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")  

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

# 获取逻辑值  
logits = model(input_values).logits  

# 取argmax并解码  
predicted_ids = torch.argmax(logits, dim=-1)  
transcription = processor.batch_decode(predicted_ids)  

评估

以下代码片段展示了如何评估facebook的Splend1dchan/wav2vec2-large-10min-lv60-self在LibriSpeech的"clean"和"other"测试数据上的表现。

from datasets import load_dataset  
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor  
import torch  
from jiwer import wer  

librispeech_eval = load_dataset("librispeech_asr", "clean", split="test")  
model = Wav2Vec2ForCTC.from_pretrained("Splend1dchan/wav2vec2-large-10min-lv60-self").to("cuda")  
processor = Wav2Vec2Processor.from_pretrained("Splend1dchan/wav2vec2-large-10min-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=["speech"])  
print("WER:", wer(result["text"], result["transcription"]))