Wav2Vec2-Large-960h-Lv60 + Self-Training

Facebook's Wav2Vec2

该大型模型是在16kHz采样语音音频上，使用Libri-Light和Librispeech的960小时数据进行预训练和微调。模型是使用 Self-Training objective 进行训练的。使用该模型时，请确保语音输入也是以16Khz进行采样的。

Paper

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

摘要

我们首次展示了仅从语音音频中学习强大的表示，然后在转录语音上进行微调可以胜过最佳的半监督方法，而且概念上更简单。wav2vec 2.0在潜在空间中对语音输入进行掩码，并解决对联合学习的潜在表示量化进行的对比任务。在使用所有Librispeech的带标签数据的实验中，在干净/其他测试集上的字错率分别为1.8/3.3。将带标签数据量降低到一小时时，wav2vec 2.0在100小时子集上的表现优于先前的最高水平，同时使用的带标签数据量减少了100倍。仅使用十分钟的带标签数据，并在53000小时的无标签数据上进行预训练，仍然达到4.8/8.2的字错率。这证明了在有限的带标签数据下进行语音识别是可行的。

原始模型可以在 https://github.com/pytorch/fairseq/tree/master/examples/wav2vec#wav2vec-20 中找到。

使用方法

为了转录音频文件，可以将该模型作为一个独立的声学模型使用，方法如下：

 from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC
 from datasets import load_dataset
 import torch
 
 # load model and processor
 processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-large-960h-lv60-self")
 model = Wav2Vec2ForCTC.from_pretrained("facebook/wav2vec2-large-960h-lv60-self")
     
 # load dummy dataset and read soundfiles
 ds = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")
 
 # tokenize
 input_values = processor(ds[0]["audio"]["array"], return_tensors="pt", padding="longest").input_values
 
 # retrieve logits
 logits = model(input_values).logits
 
 # take argmax and decode
 predicted_ids = torch.argmax(logits, dim=-1)
 transcription = processor.batch_decode(predicted_ids)

评估

这段代码片段展示了如何在LibriSpeech的“clean”和“other”测试数据上评估facebook/wav2vec2-large-960h-lv60-self。

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（字错率）：