语言: sl 标签:

• 音频
• 自动语音识别
• voxpopuli 许可证: cc-by-nc-4.0

Wav2Vec2基础版-VoxPopuli微调模型

Facebook的Wav2Vec2基础模型，基于VoxPopuli语料库的10K未标注子集进行预训练，并在sl（斯洛文尼亚语）的转录数据上进行了微调（更多信息请参考论文表1）。

论文: VoxPopuli: 一个用于表示学习、半监督学习和解释的大规模多语言语音语料库

作者: Changhan Wang, Morgane Riviere, Ann Lee, Anne Wu, Chaitanya Talnikar, Daniel Haziza, Mary Williamson, Juan Pino, Emmanuel Dupoux 来自 Facebook AI

更多信息请访问官方网站，点击这里

推理使用示例

以下展示了如何在Common Voice数据集的一个样本上使用该模型进行推理

#!/usr/bin/env python3
from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC
from datasets import load_dataset
import torchaudio
import torch

# 重采样音频

# 加载模型和处理器
model = Wav2Vec2ForCTC.from_pretrained("facebook/wav2vec2-base-10k-voxpopuli-ft-sl")
processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-base-10k-voxpopuli-ft-sl")

# 加载数据集
ds = load_dataset("common_voice", "sl", split="validation[:1%]")

# Common Voice的采样率与目标采样率不匹配
common_voice_sample_rate = 48000
target_sample_rate = 16000

resampler = torchaudio.transforms.Resample(common_voice_sample_rate, target_sample_rate)


# 定义映射函数以读取声音文件并重采样
def map_to_array(batch):
    speech, _ = torchaudio.load(batch["path"])
    speech = resampler(speech)
    batch["speech"] = speech[0]
    return batch


# 加载所有音频文件
ds = ds.map(map_to_array)

# 对前5个数据样本进行推理
inputs = processor(ds[:5]["speech"], sampling_rate=target_sample_rate, return_tensors="pt", padding=True)

# 推理
logits = model(**inputs).logits
predicted_ids = torch.argmax(logits, axis=-1)

print(processor.batch_decode(predicted_ids))