语言: 中文
数据集:

• librispeech_asr

标签:

• 语音
• 音频
• 自动语音识别
• hf-asr排行榜

许可证: apache-2.0

模型索引:

• 名称: wav2vec2-large-960h-lv60
  成果:
  • 任务:
    名称: 自动语音识别
    类型: automatic-speech-recognition
    数据集:
    名称: LibriSpeech (干净样本)
    类型: librispeech_asr
    配置: clean
    拆分: test
    参数:
    语言: en
    指标:
    • 名称: 测试WER
      类型: wer
      值: 1.9
  • 任务:
    名称: 自动语音识别
    类型: automatic-speech-recognition
    数据集:
    名称: LibriSpeech (其他样本)
    类型: librispeech_asr
    配置: other
    拆分: test
    参数:
    语言: en
    指标:
    • 名称: 测试WER
      类型: wer
      值: 3.9

Wav2Vec2-Large-960h-Lv60 + 自训练技术

Facebook的Wav2Vec2

该大模型基于Libri-Light和Librispeech共960小时的16kHz采样语音音频进行预训练和微调，并采用自训练目标进行训练。使用本模型时请确保语音输入同样以16kHz采样。

论文

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

摘要

我们首次证明：仅从语音音频学习强大表征后，再通过转录语音微调，其效果可超越最佳半监督方法，且概念更为简单。wav2vec 2.0在潜在空间中对语音输入进行掩码，并通过定义在潜在表征量化上的对比任务进行联合学习。使用Librispeech全部标注数据的实验在clean/other测试集上达到1.8/3.3 WER。当标注数据降至1小时，wav2vec 2.0在使用100倍较少标注数据的情况下，仍超越100小时子集的先前最优结果。仅用10分钟标注数据和53k小时无标注数据预训练，仍实现4.8/8.2 WER。这证明了有限标注数据下语音识别的可行性。

原始模型参见: https://github.com/pytorch/fairseq/tree/master/examples/wav2vec#wav2vec-20

使用方式

作为独立声学模型转录音频文件的方法如下：

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-self")  
model = Wav2Vec2ForCTC.from_pretrained("facebook/wav2vec2-large-960h-lv60-self")  

# 加载示例数据集并读取音频  
ds = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")  

# 特征处理  
input_values = processor(ds[0]["audio"]["array"], return_tensors="pt", padding="longest").input_values  

# 获取逻辑输出  
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

此代码片段展示如何在LibriSpeech的"clean"和"other"测试集上评估facebook/wav2vec2-large-960h-lv60-self模型：

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

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, remove_columns=["audio"])  

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

结果(WER):