语言: 英语 标签:

• 音频
• 自动语音识别
• 大众之声 许可证: 知识共享-署名-非商业性使用 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未标记子集进行预训练，并在英语转录数据上微调（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

更多信息请访问官方网站，点击此处

推理使用指南

以下展示如何在Common Voice数据集的样本上进行推理：

#!/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-en")
processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-base-10k-voxpopuli-ft-en")

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

# Common Voice采样率与目标不匹配
common_voice_sample_rate = 48000
target_sample_rate = 16000

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


# 定义读取音频文件并重采样的映射函数
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)

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

print(processor.batch_decode(predicted_ids))