语言: 英文
数据集:

• librispeech_asr

标签:

• 语音

许可证: apache-2.0
模型索引:

• 名称: wav2vec2-large-960h-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: 2.2

Wav2Vec2-大型-960小时-Lv60

Facebook的Wav2Vec2

该大型模型在960小时的Libri-Light和Librispeech的16kHz采样语音音频上进行了预训练和微调。使用该模型时，请确保您的语音输入也是以16kHz采样的。

论文

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

摘要

我们首次展示了仅从语音音频中学习强大表示，然后对转录语音进行微调，可以超越最佳半监督方法，同时概念上更简单。wav2vec 2.0在潜在空间中掩码语音输入，并解决了一个基于潜在表示量化的对比任务，这些表示是联合学习的。使用Librispeech所有标记数据的实验在干净/其他测试集上达到了1.8/3.3的WER。当将标记数据量降低到一小时时，wav2vec 2.0在使用100倍少的标记数据的情况下，优于之前100小时子集的最先进技术。仅使用十分钟的标记数据和53k小时的无标记数据进行预训练，仍能达到4.8/8.2的WER。这证明了在有限标记数据下进行语音识别的可行性。

原始模型可以在以下链接找到: 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，该模型可以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-lv60")  
model = Wav2Vec2ForCTC.from_pretrained("facebook/wav2vec2-large-960h-lv60")  

# 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  # 批量大小为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

以下代码片段展示了如何在LibriSpeech的“干净”和“其他”测试数据上评估facebook/wav2vec2-large-960h-lv60。

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

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, batched=True, batch_size=16, remove_columns=["speech"])  

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

结果 (WER):