🚀 Wav2Vec2-Base-100h
基于100小时Librispeech数据集预训练和微调的语音识别基础模型,可有效处理16kHz采样的语音音频。
🚀 快速开始
本模型是在16kHz采样的语音音频上,基于100小时的Librispeech数据集进行预训练和微调的基础模型。在使用该模型时,请确保输入的语音也采样为16kHz。
✨ 主要特性
- 首次证明了从纯语音音频中学习强大的表征,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,并解决了一个基于联合学习的潜在表征量化定义的对比任务。
- 使用Librispeech的所有标注数据进行实验,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,仍然可以实现4.8/8.2的字错率(WER),证明了在有限标注数据下进行语音识别的可行性。
📚 详细文档
论文信息
- 论文链接
- 作者:Alexei Baevski, Henry Zhou, Abdelrahman Mohamed, Michael Auli
摘要
我们首次证明了,从纯语音音频中学习强大的表征,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,并解决了一个基于联合学习的潜在表征量化定义的对比任务。使用Librispeech的所有标注数据进行实验,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,仍然可以实现4.8/8.2的字错率(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
原始模型可在此处找到。
💻 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 soundfile as sf
import torch
processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-base-100h")
model = Wav2Vec2ForCTC.from_pretrained("facebook/wav2vec2-base-100h")
def map_to_array(batch):
speech, _ = sf.read(batch["file"])
batch["speech"] = speech
return batch
ds = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")
ds = ds.map(map_to_array)
input_values = processor(ds[0]["audio"]["array"], return_tensors="pt", padding="longest").input_values
logits = model(input_values).logits
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“干净”和“其他”测试数据上评估 facebook/wav2vec2-base-100h 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-base-100h").to("cuda")
processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-base-100h")
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。
📦 数据集与标签
属性 |
详情 |
数据集 |
librispeech_asr |
标签 |
音频、自动语音识别 |