Wav2vec2 Large 960h

🚀 Wav2Vec2-Large-960h

Wav2Vec2-Large-960h是一个在16kHz采样的语音音频上，基于960小时的Librispeech数据集进行预训练和微调的大型模型。它为语音识别任务提供了强大的支持，在有限标注数据的情况下也能展现出良好的性能。

🚀 快速开始

模型信息

• 模型链接：Facebook's Wav2Vec2
• 论文链接：Paper
• 作者：Alexei Baevski, Henry Zhou, Abdelrahman Mohamed, Michael Auli

摘要

我们首次证明，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，能够在概念上更简单的同时，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，并解决了一个基于潜在表示量化定义的对比任务，这些潜在表示是联合学习的。使用Librispeech的所有标注数据进行的实验，在干净/其他测试集上实现了1.8/3.3的字错误率（WER）。当将标注数据量减少到一小时时，wav2vec 2.0在100小时子集上的表现优于先前的最优方法，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的情况下进行语音识别的可行性。

原模型地址

原模型可在这里找到。

📦 安装指南

文档未提及具体安装步骤，若使用相关库，可参考以下命令进行安装：

pip install transformers datasets torch soundfile jiwer

💻 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("facebook/wav2vec2-large-960h")
model = Wav2Vec2ForCTC.from_pretrained("facebook/wav2vec2-large-960h")

# 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  # 批量大小为1

# 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

以下代码展示了如何在LibriSpeech的“clean”和“other”测试数据上评估 facebook/wav2vec2-large-960h 模型：

from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import soundfile as sf
import torch
from jiwer import wer

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

model = Wav2Vec2ForCTC.from_pretrained("facebook/wav2vec2-large-960h").to("cuda")
processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-large-960h")

def map_to_pred(batch):
    input_values = processor(batch["audio"]["array"], 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=["speech"])

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

评估结果

📄 许可证

本项目采用Apache-2.0许可证。