Wav2vec2 Large 100h Lv60 Self

🚀 Wav2Vec2-Large-100h-Lv60 + 自训练

这是一个从fairseq直接迁移到Hugging Face的state_dict，权重完全相同。该模型基于Facebook的Wav2Vec2架构，在100小时的Libri-Light和Librispeech 16kHz采样语音音频上进行了预训练和微调，并采用自训练目标进行训练。

🚀 快速开始

本模型是在100小时的Libri-Light和Librispeech 16kHz采样语音音频上进行预训练和微调的大模型。模型使用自训练目标进行训练。使用模型时，请确保您的语音输入也是16kHz采样的。

论文链接

作者：Alexei Baevski、Henry Zhou、Abdelrahman Mohamed、Michael Auli

摘要

他们首次证明，仅从语音音频中学习强大的表示，然后在转录语音上进行微调，在概念上更简单的同时，还能超越最佳的半监督方法。wav2vec 2.0在潜在空间中对语音输入进行掩码处理，并解决了一个基于联合学习的潜在表示量化定义的对比任务。使用Librispeech所有标注数据的实验在干净/其他测试集上实现了1.8/3.3的字错率（WER）。当将标注数据量减少到一小时时，wav2vec 2.0在100小时子集上超越了先前的最优结果，同时使用的标注数据减少了100倍。仅使用十分钟的标注数据并在53000小时的未标注数据上进行预训练，仍能实现4.8/8.2的WER。这证明了在有限标注数据下进行语音识别的可行性。

原始模型可在https://github.com/pytorch/fairseq/tree/master/examples/wav2vec#wav2vec-20 找到。

📦 安装指南

文档未提及具体安装步骤，可参考Hugging Face的相关文档进行模型和依赖库的安装。

💻 使用示例

基础用法

以下代码展示了如何将该模型作为独立的声学模型来转录音频文件：

from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC
from datasets import load_dataset
import torch

# 加载模型和处理器
processor = Wav2Vec2Processor.from_pretrained("Splend1dchan/wav2vec2-large-100h-lv60-self")
model = Wav2Vec2ForCTC.from_pretrained("Splend1dchan/wav2vec2-large-100h-lv60-self")

# 加载虚拟数据集并读取音频文件
ds = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")

# 进行分词
input_values = processor(ds[0]["audio"]["array"], return_tensors="pt", padding="longest").input_values

# 获取对数概率
logits = model(input_values).logits

# 取最大值并解码
predicted_ids = torch.argmax(logits, dim=-1)
transcription = processor.batch_decode(predicted_ids)

高级用法

以下代码片段展示了如何在LibriSpeech的“干净”和“其他”测试数据上评估Facebook的 Splend1dchan/wav2vec2-large-100h-lv60-self 模型：

from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import torch
from jiwer import wer
librispeech_eval = load_dataset("librispeech_asr", "clean", split="test")
model = Wav2Vec2ForCTC.from_pretrained("Splend1dchan/wav2vec2-large-100h-lv60-self").to("cuda")
processor = Wav2Vec2Processor.from_pretrained("Splend1dchan/wav2vec2-large-100h-lv60-self")
def map_to_pred(batch):
    inputs = processor(batch["audio"]["array"], return_tensors="pt", padding="longest")
    input_values = inputs.input_values.to("cuda")
    attention_mask = inputs.attention_mask.to("cuda")

    with torch.no_grad():
        logits = model(input_values, attention_mask=attention_mask).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, remove_columns=["speech"])
print("WER:", wer(result["text"], result["transcription"]))

📄 许可证

本项目采用Apache 2.0许可证。

📋 模型信息