S2t Medium Librispeech Asr

🚀 S2T-MEDIUM-LIBRISPEECH-ASR

s2t-medium-librispeech-asr 是一个用于自动语音识别（ASR）的语音转文本变换器（S2T）模型。S2T 模型在 这篇论文 中被提出，并在 这个仓库 中发布。

🚀 快速开始

本模型可用于端到端语音识别（ASR）。你可以访问 模型中心 查找其他 S2T 检查点。

✨ 主要特性

S2T 是一个端到端的序列到序列变换器模型。它使用标准的自回归交叉熵损失进行训练，并自回归地生成转录文本。

📦 安装指南

由于这是一个标准的序列到序列变换器模型，你可以使用 generate 方法，将语音特征传递给模型来生成转录文本。

⚠️ 重要提示

Speech2TextProcessor 对象使用 torchaudio 提取滤波器组特征。在运行此示例之前，请确保安装 torchaudio 包。

你可以通过以下命令将这些作为额外的语音依赖项进行安装：

pip install transformers"[speech, sentencepiece]"

或者分别安装这些包：

pip install torchaudio sentencepiece

💻 使用示例

基础用法

import torch
from transformers import Speech2TextProcessor, Speech2TextForConditionalGeneration
from datasets import load_dataset
import soundfile as sf

model = Speech2TextForConditionalGeneration.from_pretrained("facebook/s2t-medium-librispeech-asr")
processor = Speech2Textprocessor.from_pretrained("facebook/s2t-medium-librispeech-asr")

def map_to_array(batch):
    speech, _ = sf.read(batch["file"])
    batch["speech"] = speech
    return batch

ds = load_dataset(
    "patrickvonplaten/librispeech_asr_dummy",
    "clean",
    split="validation"
)
ds = ds.map(map_to_array)

input_features = processor(
    ds["speech"][0],
    sampling_rate=16_000,
    return_tensors="pt"
).input_features  # Batch size 1
generated_ids = model.generate(input_features=input_features)

transcription = processor.batch_decode(generated_ids)

高级用法

以下脚本展示了如何在 LibriSpeech 的 "clean" 和 "other" 测试数据集上评估该模型。

from datasets import load_dataset
from evaluate import load
from transformers import Speech2TextForConditionalGeneration, Speech2TextProcessor

librispeech_eval = load_dataset("librispeech_asr", "clean", split="test")  # change to "other" for other test dataset
wer = load("wer")

model = Speech2TextForConditionalGeneration.from_pretrained("facebook/s2t-medium-librispeech-asr").to("cuda")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-medium-librispeech-asr", do_upper_case=True)


def map_to_pred(batch):
    features = processor(batch["audio"]["array"], sampling_rate=16000, padding=True, return_tensors="pt")
    input_features = features.input_features.to("cuda")
    attention_mask = features.attention_mask.to("cuda")

    gen_tokens = model.generate(input_features=input_features, attention_mask=attention_mask)
    batch["transcription"] = processor.batch_decode(gen_tokens, skip_special_tokens=True)[0]
    return batch

result = librispeech_eval.map(map_to_pred, remove_columns=["audio"])

print("WER:", wer.compute(predictions=result["transcription"], references=result["text"]))

结果（WER）:

📚 详细文档

训练数据

S2T-MEDIUM-LIBRISPEECH-ASR 在 LibriSpeech ASR 语料库 上进行训练，该数据集包含大约 1000 小时的 16kHz 英语朗读语音。

训练过程

预处理

语音数据通过 PyKaldi 或 torchaudio 从 WAV/FLAC 音频文件中自动提取符合 Kaldi 标准的 80 通道对数梅尔滤波器组特征进行预处理。此外，对每个示例应用了基于语句级的 CMVN（倒谱均值和方差归一化）。

文本进行小写处理，并使用 SentencePiece 进行分词，词汇表大小为 10000。

训练

该模型使用标准的自回归交叉熵损失进行训练，并采用 SpecAugment 方法。编码器接收语音特征，解码器自回归地生成转录文本。

BibTeX 引用和引用信息

@inproceedings{wang2020fairseqs2t,
  title = {fairseq S2T: Fast Speech-to-Text Modeling with fairseq},
  author = {Changhan Wang and Yun Tang and Xutai Ma and Anne Wu and Dmytro Okhonko and Juan Pino},
  booktitle = {Proceedings of the 2020 Conference of the Asian Chapter of the Association for Computational Linguistics (AACL): System Demonstrations},
  year = {2020},
}

📄 许可证

本项目采用 MIT 许可证。