语言: 英文
数据集:

• librispeech_asr

标签:

• 语音

许可证: apache-2.0

Wav2Vec2-大模型-960小时

Facebook的Wav2Vec2

该大模型基于16kHz采样的语音音频，在LibriSpeech的960小时数据上进行了预训练和微调。使用时请确保语音输入同样以16kHz采样。

论文

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

摘要

我们首次证明，仅从语音音频中学习强大表示，再通过转录语音微调，可以在概念更简单的同时超越最佳半监督方法。Wav2Vec 2.0在潜在空间中对语音输入进行掩码，并通过量化潜在表示（联合学习）解决对比任务。使用LibriSpeech全部标注数据的实验在干净/其他测试集上达到1.8/3.3的词错误率（WER）。当标注数据降至1小时，Wav2Vec 2.0在使用100倍更少标注数据的情况下，仍优于之前100小时子集的最先进技术。仅用10分钟标注数据和53k小时无标注数据预训练，仍实现4.8/8.2 WER。这证明了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("facebook/wav2vec2-large-960h")  
model = Wav2Vec2ForCTC.from_pretrained("facebook/wav2vec2-large-960h")  

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

# 标记化  
input_values = processor(ds[0]["audio"]["array"], return_tensors="pt", padding="longest").input_values  # 批大小为1  

# 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

以下代码展示了如何在LibriSpeech的“干净”和“其他”测试数据上评估facebook/wav2vec2-large-960h。

from datasets import load_dataset  
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor  
import soundfile as sf  
import torch  
from jiwer import wer  

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

model = Wav2Vec2ForCTC.from_pretrained("facebook/wav2vec2-large-960h").to("cuda")  
processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-large-960h")  

def map_to_pred(batch):  
    input_values = processor(batch["audio"]["array"], return_tensors="pt", padding="longest").input_values  
    with torch.no_grad():  
        logits = model(input_values.to("cuda")).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, batched=True, batch_size=1, remove_columns=["speech"])  

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

结果（WER）: