Wav2vec2 Base 10k Voxpopuli Ft Sk

🚀 Wav2Vec2-Base-VoxPopuli-Finetuned

該項目基於Facebook的Wav2Vec2基礎模型，此基礎模型在VoxPopuli語料庫的10K無標籤子集上進行預訓練，並在斯洛伐克語（sk）的轉錄數據上進行微調（更多信息請參考論文中的表1）。本項目可用於音頻自動語音識別任務，為語音處理領域提供了有力支持。

✨ 主要特性

• 基於預訓練的Wav2Vec2模型，在VoxPopuli語料庫上進行預訓練，具有良好的語音特徵學習能力。
• 在斯洛伐克語轉錄數據上進行微調，對斯洛伐克語語音識別有較好的效果。

📦 安裝指南

文檔中未提及具體安裝步驟，暫不展示。

💻 使用示例

基礎用法

#!/usr/bin/env python3
from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC
from datasets import load_dataset
import torchaudio
import torch

# resample audio

# load model & processor
model = Wav2Vec2ForCTC.from_pretrained("facebook/wav2vec2-base-10k-voxpopuli-ft-sk")
processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-base-10k-voxpopuli-ft-sk")

# load dataset
ds = load_dataset("common_voice", "sk", split="validation[:1%]")

# common voice does not match target sampling rate
common_voice_sample_rate = 48000
target_sample_rate = 16000

resampler = torchaudio.transforms.Resample(common_voice_sample_rate, target_sample_rate)


# define mapping fn to read in sound file and resample
def map_to_array(batch):
    speech, _ = torchaudio.load(batch["path"])
    speech = resampler(speech)
    batch["speech"] = speech[0]
    return batch


# load all audio files
ds = ds.map(map_to_array)

# run inference on the first 5 data samples
inputs = processor(ds[:5]["speech"], sampling_rate=target_sample_rate, return_tensors="pt", padding=True)

# inference
logits = model(**inputs).logits
predicted_ids = torch.argmax(logits, axis=-1)

print(processor.batch_decode(predicted_ids))

高級用法

文檔中未提及高級用法相關代碼，暫不展示。

📚 詳細文檔

論文：VoxPopuli: A Large-Scale Multilingual Speech Corpus for Representation Learning, Semi-Supervised Learning and Interpretation 作者：來自 Facebook AI 的 Changhan Wang, Morgane Riviere, Ann Lee, Anne Wu, Chaitanya Talnikar, Daniel Haziza, Mary Williamson, Juan Pino, Emmanuel Dupoux

更多信息請參考官方網站 here

📄 許可證

本項目採用CC BY-NC 4.0許可證。