Sew D Mid 400k Ft Ls100h

🚀 SEW-D-mid

SEW-D-mid 是基於 16kHz 採樣語音音頻預訓練的基礎模型。該模型由 ASAPP Research 開發，相關信息可參考 SEW-D by ASAPP Research。使用此模型時，需確保輸入的語音也採樣為 16kHz。請注意，該模型需要在下游任務（如自動語音識別、說話人識別、意圖分類、情感識別等）上進行微調。

論文：Performance-Efficiency Trade-offs in Unsupervised Pre-training for Speech Recognition

作者：Felix Wu、Kwangyoun Kim、Jing Pan、Kyu Han、Kilian Q. Weinberger、Yoav Artzi

摘要 本文研究了自動語音識別（ASR）預訓練模型中的性能 - 效率權衡問題。我們聚焦於 wav2vec 2.0，並對影響模型性能和效率的幾種架構設計進行了形式化。綜合所有觀察結果，我們提出了 SEW（Squeezed and Efficient Wav2vec），這是一種在各種訓練設置下，在性能和效率方面都有顯著改進的預訓練模型架構。例如，在 LibriSpeech 的 100h - 960h 半監督設置下，與 wav2vec 2.0 相比，SEW 的推理速度提高了 1.9 倍，詞錯誤率相對降低了 13.5%。在推理時間相近的情況下，SEW 在不同模型大小下將詞錯誤率降低了 25 - 50%。

原始模型可在 https://github.com/asappresearch/sew#model-checkpoints 找到。

🚀 快速開始

模型信息

示例音頻

• Librispeech sample 1
• Librispeech sample 2

評估結果

✨ 主要特性

• 基於 16kHz 採樣語音音頻進行預訓練。
• 可應用於多種下游任務，如自動語音識別、說話人識別等。
• 在性能和效率方面有顯著改進。

📦 安裝指南

文檔未提及安裝步驟，暫不提供。

💻 使用示例

基礎用法

以下代碼展示瞭如何將該模型作為獨立的聲學模型來轉錄音頻文件：

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

# 加載模型和預處理器
processor = Wav2Vec2Processor.from_pretrained("asapp/sew-d-mid-400k-ft-ls100h")
model = SEWDForCTC.from_pretrained("asapp/sew-d-mid-400k-ft-ls100h")

# 加載包含語音樣本的虛擬數據集
ds = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")

# 預處理
input_values = processor(ds[0]["audio"]["array"], return_tensors="pt").input_values  # 批量大小為 1

# 獲取 logits
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

以下代碼展示瞭如何在 LibriSpeech 的 “clean” 和 “other” 測試數據上評估 asapp/sew-d-mid-400k-ft-ls100hh 模型：

from datasets import load_dataset
from transformers import SEWDForCTC, Wav2Vec2Processor
import torch
from jiwer import wer

librispeech_eval = load_dataset("librispeech_asr", "clean", split="test")

model = SEWDForCTC.from_pretrained("asapp/sew-d-mid-400k-ft-ls100h").to("cuda")
processor = Wav2Vec2Processor.from_pretrained("asapp/sew-d-mid-400k-ft-ls100h")

def map_to_pred(batch):
    input_values = processor(batch["audio"][0]["array"], sampling_rate=16000, 
                             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"]))

📚 詳細文檔

注意事項

⚠️ 重要提示

使用該模型時，確保輸入的語音採樣率為 16kHz。同時，該模型需要在下游任務上進行微調。

論文引用

• 論文標題：Performance-Efficiency Trade-offs in Unsupervised Pre-training for Speech Recognition
• 作者：Felix Wu、Kwangyoun Kim、Jing Pan、Kyu Han、Kilian Q. Weinberger、Yoav Artzi

📄 許可證

本項目採用 Apache-2.0 許可證。