语言: 英语 数据集:

• librispeech_asr 标签:
• 音频
• 自动语音识别 流水线标签: 自动语音识别 小部件:
• 示例标题: Librispeech 样本1 src: https://cdn-media.huggingface.co/speech_samples/sample1.flac
• 示例标题: Librispeech 样本2 src: https://cdn-media.huggingface.co/speech_samples/sample2.flac 许可证: mit

S2T-MEDIUM-LIBRISPEECH-ASR

s2t-medium-librispeech-asr 是一个用于自动语音识别（ASR）的语音到文本转换器（S2T）模型。该S2T模型在这篇论文中提出，并在此代码库中发布。

模型描述

S2T是一个端到端的序列到序列转换器模型。它使用标准的自回归交叉熵损失进行训练，并以自回归方式生成转录文本。

预期用途与限制

此模型可用于端到端语音识别（ASR）。查看模型中心以寻找其他S2T检查点。

使用方法

由于这是一个标准的序列到序列转换器模型，您可以通过将语音特征传递给模型，使用generate方法生成转录文本。

注意：Speech2TextProcessor对象使用torchaudio提取滤波器组特征。在运行此示例前，请确保安装torchaudio包。

您可以通过pip install transformers"[speech, sentencepiece]"安装这些额外的语音依赖项，或单独安装包pip install torchaudio sentencepiece。

import torch
from transformers import Speech2TextProcessor, Speech2TextForConditionalGeneration
from datasets import load_dataset
import soundfile as sf

model = Speech2TextForConditionalGeneration.from_pretrained("facebook/s2t-medium-librispeech-asr")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-medium-librispeech-asr")

def map_to_array(batch):
    speech, _ = sf.read(batch["file"])
    batch["speech"] = speech
    return batch

ds = load_dataset(
    "patrickvonplaten/librispeech_asr_dummy",
    "clean",
    split="validation"
)
ds = ds.map(map_to_array)

input_features = processor(
    ds["speech"][0],
    sampling_rate=16_000,
    return_tensors="pt"
).input_features  # 批量大小为1
generated_ids = model.generate(input_features=input_features)

transcription = processor.batch_decode(generated_ids)

LibriSpeech测试集评估

以下脚本展示如何评估此模型在LibriSpeech的*"clean"和"other"*测试数据集上的表现。

from datasets import load_dataset
from evaluate import load
from transformers import Speech2TextForConditionalGeneration, Speech2TextProcessor

librispeech_eval = load_dataset("librispeech_asr", "clean", split="test")  # 更改为"other"以测试其他数据集
wer = load("wer")

model = Speech2TextForConditionalGeneration.from_pretrained("facebook/s2t-medium-librispeech-asr").to("cuda")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-medium-librispeech-asr", do_upper_case=True)


def map_to_pred(batch):
    features = processor(batch["audio"]["array"], sampling_rate=16000, padding=True, return_tensors="pt")
    input_features = features.input_features.to("cuda")
    attention_mask = features.attention_mask.to("cuda")

    gen_tokens = model.generate(input_features=input_features, attention_mask=attention_mask)
    batch["transcription"] = processor.batch_decode(gen_tokens, skip_special_tokens=True)[0]
    return batch

result = librispeech_eval.map(map_to_pred, remove_columns=["audio"])

print("WER:", wer.compute(predictions=result["transcription"], references=result["text"]))

结果（WER）: