Wav2vec2 Large 960h Lv60

🚀 Wav2Vec2-Large-960h-Lv60

Wav2Vec2-Large-960h-Lv60是一個基於語音音頻的預訓練模型，在960小時的Libri-Light和Librispeech數據集上進行了預訓練和微調。該模型可以用於自動語音識別任務，能夠在有限的標註數據下實現較好的識別效果。

🚀 快速開始

Wav2Vec2-Large-960h-Lv60是一個在16kHz採樣的語音音頻上，基於960小時的Libri-Light和Librispeech數據集進行預訓練和微調的大型模型。使用該模型時，請確保輸入的語音也採樣為16kHz。

論文鏈接

作者: Alexei Baevski, Henry Zhou, Abdelrahman Mohamed, Michael Auli

摘要

我們首次證明，僅從語音音頻中學習強大的表示，然後在轉錄語音上進行微調，在概念上更簡單的同時，可以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處理，並解決了一個基於潛在表示量化的對比任務，這些潛在表示是聯合學習得到的。使用Librispeech所有標註數據的實驗在乾淨/其他測試集上實現了1.8/3.3的字錯率（WER）。當將標註數據量減少到一小時時，wav2vec 2.0在100小時子集上的表現優於之前的最優方法，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的字錯率。這證明了在有限標註數據下進行語音識別的可行性。

原始模型可在此處找到。

📦 安裝指南

文檔未提及安裝相關步驟，故跳過此章節。

💻 使用示例

基礎用法

from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC
from datasets import load_dataset
import torch

# 加載模型和處理器
processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-large-960h-lv60")
model = Wav2Vec2ForCTC.from_pretrained("facebook/wav2vec2-large-960h-lv60")

# 加載虛擬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

# 獲取對數幾率
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)

高級用法

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-large-960h-lv60").to("cuda")
processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-large-960h-lv60")

def map_to_pred(batch):
    inputs = processor(batch["audio"]["array"], return_tensors="pt", padding="longest")
    input_values = inputs.input_values.to("cuda")
    attention_mask = inputs.attention_mask.to("cuda")

    with torch.no_grad():
        logits = model(input_values, attention_mask=attention_mask).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=16, remove_columns=["speech"])

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

評估結果

📄 許可證

本項目採用Apache-2.0許可證。