Assignment1 Jane

🚀 S2T-SMALL-LIBRISPEECH-ASR

s2t-small-librispeech-asr 是一个用于自动语音识别（ASR）的语音转文本Transformer（S2T）模型。S2T模型在 这篇论文 中被提出，并在 这个仓库 中发布。

🚀 快速开始

模型描述

S2T 是一个端到端的序列到序列Transformer模型。它使用标准的自回归交叉熵损失进行训练，并自回归地生成转录文本。

预期用途和限制

该模型可用于端到端的语音识别（ASR）。你可以查看 模型中心 以寻找其他S2T检查点。

如何使用

由于这是一个标准的序列到序列Transformer模型，你可以使用 generate 方法，将语音特征传递给模型来生成转录文本。

⚠️ 重要提示

Speech2TextProcessor 对象使用 torchaudio 来提取滤波器组特征。在运行此示例之前，请确保安装 torchaudio 包。

⚠️ 重要提示

特征提取器依赖于 torchaudio，分词器依赖于 sentencepiece，因此在运行示例之前，请确保安装这些包。

你可以使用 pip install transformers"[speech, sentencepiece]" 作为额外的语音依赖项来安装它们，或者使用 pip install torchaudio sentencepiece 分别安装这些包。

import torch
from transformers import Speech2TextProcessor, Speech2TextForConditionalGeneration
from datasets import load_dataset

model = Speech2TextForConditionalGeneration.from_pretrained("facebook/s2t-small-librispeech-asr")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-small-librispeech-asr")

ds = load_dataset(
    "patrickvonplaten/librispeech_asr_dummy",
    "clean",
    split="validation"
)

input_features = processor(
    ds[0]["audio"]["array"],
    sampling_rate=16_000,
    return_tensors="pt"
).input_features  # Batch size 1
generated_ids = model.generate(input_ids=input_features)

transcription = processor.batch_decode(generated_ids)

在LibriSpeech测试集上的评估

以下脚本展示了如何在 LibriSpeech 的 "clean" 和 "other" 测试数据集上评估该模型。

from datasets import load_dataset, load_metric
from transformers import Speech2TextForConditionalGeneration, Speech2TextProcessor

librispeech_eval = load_dataset("librispeech_asr", "clean", split="test")  # change to "other" for other test dataset
wer = load_metric("wer")

model = Speech2TextForConditionalGeneration.from_pretrained("facebook/s2t-small-librispeech-asr").to("cuda")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-small-librispeech-asr", do_upper_case=True)

librispeech_eval = librispeech_eval.map(map_to_array)

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_ids=input_features, attention_mask=attention_mask)
    batch["transcription"] = processor.batch_decode(gen_tokens, skip_special_tokens=True)
    return batch

result = librispeech_eval.map(map_to_pred, batched=True, batch_size=8, remove_columns=["speech"])

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

结果（WER）:

📦 安装指南

你可以使用 pip install transformers"[speech, sentencepiece]" 作为额外的语音依赖项来安装所需包，或者使用 pip install torchaudio sentencepiece 分别安装这些包。

💻 使用示例

基础用法

import torch
from transformers import Speech2TextProcessor, Speech2TextForConditionalGeneration
from datasets import load_dataset

model = Speech2TextForConditionalGeneration.from_pretrained("facebook/s2t-small-librispeech-asr")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-small-librispeech-asr")

ds = load_dataset(
    "patrickvonplaten/librispeech_asr_dummy",
    "clean",
    split="validation"
)

input_features = processor(
    ds[0]["audio"]["array"],
    sampling_rate=16_000,
    return_tensors="pt"
).input_features  # Batch size 1
generated_ids = model.generate(input_ids=input_features)

transcription = processor.batch_decode(generated_ids)

高级用法

from datasets import load_dataset, load_metric
from transformers import Speech2TextForConditionalGeneration, Speech2TextProcessor

librispeech_eval = load_dataset("librispeech_asr", "clean", split="test")  # change to "other" for other test dataset
wer = load_metric("wer")

model = Speech2TextForConditionalGeneration.from_pretrained("facebook/s2t-small-librispeech-asr").to("cuda")
processor = Speech2TextProcessor.from_pretrained("facebook/s2t-small-librispeech-asr", do_upper_case=True)

librispeech_eval = librispeech_eval.map(map_to_array)

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_ids=input_features, attention_mask=attention_mask)
    batch["transcription"] = processor.batch_decode(gen_tokens, skip_special_tokens=True)
    return batch

result = librispeech_eval.map(map_to_pred, batched=True, batch_size=8, remove_columns=["speech"])

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

📚 详细文档

训练数据

S2T-SMALL-LIBRISPEECH-ASR 在 LibriSpeech ASR语料库 上进行训练，该数据集包含大约1000小时的16kHz朗读英语语音。

训练过程

预处理

语音数据通过PyKaldi或torchaudio从WAV/FLAC音频文件中自动提取符合Kaldi标准的80通道对数梅尔滤波器组特征进行预处理。此外，对每个示例应用了基于语句级别的CMVN（倒谱均值和方差归一化）。

文本被转换为小写，并使用SentencePiece进行分词，词汇表大小为10,000。

训练

该模型使用标准的自回归交叉熵损失和 SpecAugment 进行训练。编码器接收语音特征，解码器自回归地生成转录文本。

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},
}

🔧 技术细节

S2T是一个端到端的序列到序列Transformer模型，使用标准的自回归交叉熵损失进行训练。语音数据经过特征提取和归一化处理，文本经过小写转换和分词处理。模型训练使用了SpecAugment技术，编码器接收语音特征，解码器自回归地生成转录文本。

📄 许可证

本项目采用MIT许可证。

信息表格