Wav2vec2 Conformer Rel Pos Large 100h Ft

🚀 Wav2Vec2-Conformer-Large-100h 帶相對位置嵌入

Wav2Vec2-Conformer-Large-100h 是一款語音處理模型，它基於相對位置嵌入技術，在大量語音數據上進行預訓練和微調，能有效處理 16kHz 採樣的語音音頻，可用於自動語音識別等任務。

🚀 快速開始

Wav2Vec2 Conformer 模型使用相對位置嵌入，在 960 小時的 Librispeech 數據集上進行預訓練，並在 100 小時的 Librispeech 數據集上針對 16kHz 採樣的語音音頻進行微調。使用該模型時，請確保輸入的語音也是 16kHz 採樣的。

論文：fairseq S2T: Fast Speech-to-Text Modeling with fairseq

作者：Changhan Wang, Yun Tang, Xutai Ma, Anne Wu, Sravya Popuri, Dmytro Okhonko, Juan Pino

Wav2Vec2-Conformer 的實驗結果可在官方論文的表 3 和表 4 中找到。 原始模型可在 https://github.com/pytorch/fairseq/tree/master/examples/wav2vec#wav2vec-20 找到。

💻 使用示例

基礎用法

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

📄 許可證

本項目採用 Apache-2.0 許可證。