Wav2vec2 Conformer Rope Large 100h Ft

🚀 Wav2Vec2-Conformer-Large-100h with Rotary Position Embeddings

ロータリー位置埋め込みを持つWav2Vec2 Conformerです。このモデルは、960時間のLibrispeechで事前学習され、16kHzサンプリングの音声オーディオに対して100時間のLibrispeechでファインチューニングされています。モデルを使用する際には、入力音声も16kHzでサンプリングされていることを確認してください。

✨ 主な機能

• 音声認識に特化したモデルで、高精度な音声転写が可能です。
• ロータリー位置埋め込みを用いることで、位置情報を効果的に扱えます。

📦 インストール

このREADMEには具体的なインストール手順が記載されていないため、このセクションをスキップします。

💻 使用例

基本的な使用法

 from transformers import Wav2Vec2Processor, Wav2Vec2ConformerForCTC
 from datasets import load_dataset
 import torch
 
 # load model and processor
 processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-conformer-rope-large-100h-ft")
 model = Wav2Vec2ConformerForCTC.from_pretrained("facebook/wav2vec2-conformer-rope-large-100h-ft")
     
 # 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)

📚 ドキュメント

関連論文

論文: fairseq S2T: Fast Speech-to-Text Modeling with fairseq 著者: Changhan Wang, Yun Tang, Xutai Ma, Anne Wu, Sravya Popuri, Dmytro Okhonko, Juan Pino

Wav2Vec2-Conformerの結果は、公式論文の表3と表4に記載されています。

オリジナルモデル

オリジナルモデルは、https://github.com/pytorch/fairseq/tree/master/examples/wav2vec#wav2vec-20 で確認できます。

📄 ライセンス

このモデルは、Apache-2.0ライセンスの下で提供されています。