模型:

nguyenvulebinh/wav2vec2-large-vi

英文

Vietnamese Self-Supervised Learning Wav2Vec2模型

模型

我们使用wav2vec2架构进行自我监督学习

数据

我们的自我监督模型预训练于一个包含13,000小时越南YouTube音频的庞大音频数据集,其中包括:

  • 清晰音频
  • 噪音音频
  • 对话
  • 多种性别和方言

下载

我们已经将预训练模型上传至Huggingface。基础模型进行了35个epochs的训练,大型模型在TPU V3-8上进行了大约30天的20个epochs的训练。

使用

from transformers import Wav2Vec2ForPreTraining, Wav2Vec2Processor

model_name = 'nguyenvulebinh/wav2vec2-base-vi'
# model_name = 'nguyenvulebinh/wav2vec2-large-vi'

model = Wav2Vec2ForPreTraining.from_pretrained(model_name)
processor = Wav2Vec2Processor.from_pretrained(model_name)

由于我们的模型与英文wav2vec2版本具有相同的架构,您可以使用 this notebook 获取更多关于如何微调模型的信息。

微调版本

VLSP 2020 ASR数据集

在VLSP T1测试集上的基准WER结果:

1235321 1236321
without LM 8.66 6.90
with 5-grams LM 6.53 5.32

使用方法:

#pytorch
#!pip install transformers==4.20.0
#!pip install https://github.com/kpu/kenlm/archive/master.zip
#!pip install pyctcdecode==0.4.0
from transformers.file_utils import cached_path, hf_bucket_url
from importlib.machinery import SourceFileLoader
from transformers import Wav2Vec2ProcessorWithLM
from IPython.lib.display import Audio
import torchaudio
import torch

# Load model & processor
model_name = "nguyenvulebinh/wav2vec2-base-vi-vlsp2020"
# model_name = "nguyenvulebinh/wav2vec2-large-vi-vlsp2020"
model = SourceFileLoader("model", cached_path(hf_bucket_url(model_name,filename="model_handling.py"))).load_module().Wav2Vec2ForCTC.from_pretrained(model_name)
processor = Wav2Vec2ProcessorWithLM.from_pretrained(model_name)

# Load an example audio (16k)
audio, sample_rate = torchaudio.load(cached_path(hf_bucket_url(model_name, filename="t2_0000006682.wav")))
input_data = processor.feature_extractor(audio[0], sampling_rate=16000, return_tensors='pt')

# Infer
output = model(**input_data)

# Output transcript without LM
print(processor.tokenizer.decode(output.logits.argmax(dim=-1)[0].detach().cpu().numpy()))

# Output transcript with LM
print(processor.decode(output.logits.cpu().detach().numpy()[0], beam_width=100).text)

致谢

  • 我们想要感谢Google TPU Research Cloud(TRC)计划以及Soonson Kwon(Google ML生态系统计划主管)的支持。
  • 特别感谢我的同事们在 VietAI VAIS 给予的建议。

联系方式

nguyenvulebinh@gmail.com / binh@vietai.org