Wav2vec2 Large 960h Lv60

🚀 Wav2Vec2-Large-960h-Lv60

Wav2Vec2-Large-960h-Lv60是一个基于语音音频的预训练模型，在960小时的Libri-Light和Librispeech数据集上进行了预训练和微调。该模型可以用于自动语音识别任务，能够在有限的标注数据下实现较好的识别效果。

🚀 快速开始

Wav2Vec2-Large-960h-Lv60是一个在16kHz采样的语音音频上，基于960小时的Libri-Light和Librispeech数据集进行预训练和微调的大型模型。使用该模型时，请确保输入的语音也采样为16kHz。

论文链接

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，在概念上更简单的同时，可以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的对比任务，这些潜在表示是联合学习得到的。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小时子集上的表现优于之前的最优方法，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的字错率。这证明了在有限标注数据下进行语音识别的可行性。

原始模型可在此处找到。

📦 安装指南

文档未提及安装相关步骤，故跳过此章节。

💻 使用示例

基础用法

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-lv60")
model = Wav2Vec2ForCTC.from_pretrained("facebook/wav2vec2-large-960h-lv60")

# 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

# 获取对数几率
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

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("facebook/wav2vec2-large-960h-lv60").to("cuda")
processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-large-960h-lv60")

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, batched=True, batch_size=16, 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。