语言: "英语" 缩略图: 任务标签: 自动语音识别 标签:

• CTC
• PyTorch
• SpeechBrain
• Transformer 许可证: "Apache-2.0" 数据集:
• CommonVoice 评估指标:
• 词错误率(WER)
• 字错误率(CER)

基于CommonVoice英语训练的wav2vec 2.0与CTC模型（无语言模型）

本仓库提供了一套完整的工具，用于在SpeechBrain框架下执行基于CommonVoice（英语）预训练的端到端自动语音识别系统。为了获得更好的体验，我们建议您深入了解SpeechBrain。

该模型的性能如下：

系统流程说明

该ASR系统由两个相互关联的模块组成：

1. 分词器（unigram）：将单词转换为子词单元，基于CommonVoice英文训练集（train.tsv）训练。
2. 声学模型（wav2vec2.0 + CTC）：结合预训练的wav2vec 2.0模型（wav2vec2-lv60-large）与两个DNN层，并在CommonVoice英文数据上微调。最终声学表征输入CTC解码器。

系统训练采用16kHz采样率（单声道）的录音。调用transcribe_file时，代码会自动对音频进行标准化处理（如重采样和单声道选择）。

安装SpeechBrain

首先安装transformers和SpeechBrain：

pip install speechbrain transformers

建议阅读我们的教程以了解更多。

转录自定义音频文件（英文）

from speechbrain.inference.ASR import EncoderDecoderASR

asr_model = EncoderDecoderASR.from_hparams(source="speechbrain/asr-wav2vec2-commonvoice-en", savedir="pretrained_models/asr-wav2vec2-commonvoice-en")
asr_model.transcribe_file("speechbrain/asr-wav2vec2-commonvoice-en/example.wav")

GPU推理

在调用from_hparams时添加run_opts={"device":"cuda"}以启用GPU推理。

批量并行推理

参考此Colab笔记本了解如何使用预训练模型并行转录批量语句。

训练流程

模型使用SpeechBrain训练。从零开始训练的步骤如下：

1. 克隆仓库：

git clone https://github.com/speechbrain/speechbrain/

2. 安装依赖：

cd speechbrain
pip install -r requirements.txt
pip install -e .

3. 启动训练：

cd recipes/CommonVoice/ASR/seq2seq
python train.py hparams/train_en_with_wav2vec.yaml --data_folder=您的数据目录

训练结果（模型、日志等）可在此处查看。

局限性

SpeechBrain团队不保证该模型在其他数据集上的性能表现。

关于SpeechBrain

• 官网: https://speechbrain.github.io/
• 代码库: https://github.com/speechbrain/speechbrain/
• HuggingFace: https://huggingface.co/speechbrain/

引用SpeechBrain

如果您在研究中使用了SpeechBrain，请引用：

@misc{speechbrain,
  title={{SpeechBrain}: 通用语音工具包},
  author={Mirco Ravanelli等},
  year={2021},
  eprint={2106.04624},
  archivePrefix={arXiv},
  primaryClass={eess.AS}
}