S2t Medium Librispeech Asr

🚀 S2T-MEDIUM-LIBRISPEECH-ASR

s2t-medium-librispeech-asr 是一個用於自動語音識別（ASR）的語音轉文本變換器（S2T）模型。S2T 模型在 這篇論文 中被提出，並在 這個倉庫 中發佈。

🚀 快速開始

本模型可用於端到端語音識別（ASR）。你可以訪問 模型中心 查找其他 S2T 檢查點。

✨ 主要特性

S2T 是一個端到端的序列到序列變換器模型。它使用標準的自迴歸交叉熵損失進行訓練，並自迴歸地生成轉錄文本。

📦 安裝指南

由於這是一個標準的序列到序列變換器模型，你可以使用 generate 方法，將語音特徵傳遞給模型來生成轉錄文本。

⚠️ 重要提示

Speech2TextProcessor 對象使用 torchaudio 提取濾波器組特徵。在運行此示例之前，請確保安裝 torchaudio 包。

你可以通過以下命令將這些作為額外的語音依賴項進行安裝：

pip install transformers"[speech, sentencepiece]"

或者分別安裝這些包：

pip install torchaudio sentencepiece

💻 使用示例

基礎用法

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)

高級用法

以下腳本展示瞭如何在 LibriSpeech 的 "clean" 和 "other" 測試數據集上評估該模型。

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"]))

結果（WER）:

📚 詳細文檔

訓練數據

S2T-MEDIUM-LIBRISPEECH-ASR 在 LibriSpeech ASR 語料庫 上進行訓練，該數據集包含大約 1000 小時的 16kHz 英語朗讀語音。

訓練過程

預處理

語音數據通過 PyKaldi 或 torchaudio 從 WAV/FLAC 音頻文件中自動提取符合 Kaldi 標準的 80 通道對數梅爾濾波器組特徵進行預處理。此外，對每個示例應用了基於語句級的 CMVN（倒譜均值和方差歸一化）。

文本進行小寫處理，並使用 SentencePiece 進行分詞，詞彙表大小為 10000。

訓練

該模型使用標準的自迴歸交叉熵損失進行訓練，並採用 SpecAugment 方法。編碼器接收語音特徵，解碼器自迴歸地生成轉錄文本。

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},
}

📄 許可證

本項目採用 MIT 許可證。