Sew D Mid K127 400k Ft Ls100h

🚀 SEW-D-mid-k127

SEW-D-mid-k127 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，相關信息可查看 SEW-D by ASAPP Research。使用此模型時，請確保輸入的語音也採樣為 16kHz。需注意，該模型應在下游任務（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，我們推出了 SEW（Squeezed and Efficient Wav2vec），這是一種預訓練模型架構，在各種訓練設置下，其性能和效率都有顯著提升。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，單詞錯誤率相對降低了 13.5%。在推理時間相近的情況下，SEW 在不同模型規模下將單詞錯誤率降低了 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

模型評估結果

💻 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-k127-400k-ft-ls100h")
model = SEWDForCTC.from_pretrained("asapp/sew-d-mid-k127-400k-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

# 獲取對數概率
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

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-k127-400k-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-k127-400k-ft-ls100h").to("cuda")
processor = Wav2Vec2Processor.from_pretrained("asapp/sew-d-mid-k127-400k-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"]))

結果（單詞錯誤率）:

📄 許可證

本項目採用 apache-2.0 許可證。