语言: 克罗地亚语
标签:

• 音频
• 自动语音识别
• 大众之声
  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无标注子集进行预训练，并在克罗地亚语（hr）的转录数据上微调（更多信息请参阅论文表1）。

论文: VoxPopuli: 一个用于表征学习、半监督学习与解释的大规模多语言语音语料库

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

访问官方项目网站获取更多信息。

推理使用示例

以下展示如何在Common Voice数据集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  

# 音频重采样  

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

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

# 调整采样率至目标值  
common_voice_sample_rate = 48000  
target_sample_rate = 16000  

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

# 定义音频加载与重采样函数  
def map_to_array(batch):  
    speech, _ = torchaudio.load(batch["path"])  
    speech = resampler(speech)  
    batch["speech"] = speech[0]  
    return batch  

# 处理所有音频文件  
ds = ds.map(map_to_array)  

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

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

print(processor.batch_decode(predicted_ids))