Assignment1 Omar

🚀 Wav2Vec2-Base-960h

Wav2Vec2-Base-960h是一個基於語音音頻的預訓練模型，在960小時的Librispeech數據集上進行了預訓練和微調。它可用於自動語音識別任務，能將語音音頻準確轉錄為文本。

基本信息

示例音頻

• Librispeech sample 1
• Librispeech sample 2

模型評估結果

相關鏈接

• Facebook的Wav2Vec2介紹
• 論文

作者

Alexei Baevski, Henry Zhou, Abdelrahman Mohamed, Michael Auli

論文摘要

我們首次證明，僅從語音音頻中學習強大的表徵，然後在轉錄語音上進行微調，能夠在概念上更簡單的同時，超越最佳的半監督方法。wav2vec 2.0在潛在空間中對語音輸入進行掩碼，並解決了一個基於潛在表徵量化的對比任務，這些潛在表徵是聯合學習的。使用Librispeech的所有標註數據進行的實驗在乾淨/其他測試集上實現了1.8/3.3的字錯誤率（WER）。當將標註數據量減少到一小時時，wav2vec 2.0在100小時子集上超越了先前的最優方法，同時使用的標註數據減少了100倍。僅使用十分鐘的標註數據並在53000小時的未標註數據上進行預訓練，仍能實現4.8/8.2的字錯誤率。這證明了在有限標註數據下進行語音識別的可行性。

原模型地址

https://github.com/pytorch/fairseq/tree/master/examples/wav2vec#wav2vec-20

🚀 快速開始

在使用該模型時，請確保您的語音輸入也是以16kHz採樣的。

💻 使用示例

基礎用法

from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC
from datasets import load_dataset
import soundfile as sf
import torch

# 加載模型和分詞器
processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-base-960h")
model = Wav2Vec2ForCTC.from_pretrained("facebook/wav2vec2-base-960h")

# 加載示例數據集並讀取音頻文件
ds = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")

# 進行分詞
input_values = processor(ds[0]["audio"]["array"], return_tensors="pt", padding="longest").input_values  # 批量大小為1

# 獲取對數概率
logits = model(input_values).logits

# 取最大值並解碼
predicted_ids = torch.argmax(logits, dim=-1)
transcription = processor.batch_decode(predicted_ids)

評估用法

此代碼片段展示瞭如何在LibriSpeech的“clean”和“other”測試數據上評估 facebook/wav2vec2-base-960h 模型。

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

def map_to_pred(batch):
    input_values = processor(batch["audio"]["array"], return_tensors="pt", padding="longest").input_values
    with torch.no_grad():
        logits = model(input_values.to("cuda")).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=1, remove_columns=["audio"])

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

評估結果（字錯誤率WER）: