Wav2Vec2-Large-960h-Lv60

Facebook's Wav2Vec2

大型模型在960小时的Libri-Light和Librispeech上进行了预训练和微调，采用16kHz采样的语音音频。在使用模型时，确保您的语音输入也是以16kHz采样。

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，然后在转录的语音上进行微调，可以优于最佳的半监督方法，同时在概念上更简单。Wav2vec 2.0在潜空间中掩盖语音输入，并且解决了在联合学习的量化潜空间表示上定义的对比任务。在使用Librispeech的所有标记数据进行实验时，干净/其他测试集的字错率为1.8/3.3。当将标记数据量降低到一小时时，Wav2vec 2.0在100小时子集上胜过先前的最佳结果，同时使用的标记数据量是先前的100倍少。只使用10分钟的标记数据并在53k小时的未标记数据上进行预训练仍然可以实现4.8/8.2的字错率。这证明了即使具有有限的标记数据，语音识别仍然可行。

原始模型可以在< a href=" https://github.com/pytorch/fairseq/tree/master/examples/wav2vec#wav2vec-20 "> https://github.com/pytorch/fairseq/tree/master/examples/wav2vec#wav2vec-20 找到。

使用方法

要转录音频文件，可以将模型用作独立的声学模型，如下所示：

 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")
 model = Wav2Vec2ForCTC.from_pretrained("facebook/wav2vec2-large-960h-lv60")
 
 # 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  # Batch size 1
 
 # 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

此代码片段显示了如何评估facebook/wav2vec2-large-960h-lv60在LibriSpeech的“clean”和“other”测试数据上。

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

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, batched=True, batch_size=16, remove_columns=["speech"])

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

结果（字错率）：