Wav2vec2 Ljspeech Gruut

🚀 Wav2Vec2 LJSpeech Gruut

Wav2Vec2 LJSpeech Gruut是一个基于wav2vec 2.0架构的自动语音识别模型。该模型是Wav2Vec2-Base在LJSpech Phonemes数据集上的微调版本。它不预测单词序列，而是预测音素序列，例如["h", "ɛ", "l", "ˈoʊ", "w", "ˈɚ", "l", "d"]，其词汇表包含了gruut中的不同国际音标（IPA）音素。

🚀 快速开始

本模型基于HuggingFace的PyTorch框架进行训练，所有训练工作在配备Tesla A100 GPU的Google Cloud Engine虚拟机上完成。训练所需的所有脚本可在文件和版本标签中找到，训练指标通过Tensorboard记录，可在训练指标查看。

✨ 主要特性

• 基于wav2vec 2.0架构，在语音识别任务上有良好表现。
• 经过微调，可预测音素序列，适用于音素识别场景。

📦 安装指南

文档未提及安装步骤，可参考HuggingFace相关库的安装方法来安装依赖，如transformers、librosa、torch、datasets等。

💻 使用示例

基础用法

from transformers import AutoProcessor, AutoModelForCTC, Wav2Vec2Processor
import librosa
import torch
from itertools import groupby
from datasets import load_dataset

def decode_phonemes(
    ids: torch.Tensor, processor: Wav2Vec2Processor, ignore_stress: bool = False
) -> str:
    """CTC-like decoding. First removes consecutive duplicates, then removes special tokens."""
    # removes consecutive duplicates
    ids = [id_ for id_, _ in groupby(ids)]

    special_token_ids = processor.tokenizer.all_special_ids + [
        processor.tokenizer.word_delimiter_token_id
    ]
    # converts id to token, skipping special tokens
    phonemes = [processor.decode(id_) for id_ in ids if id_ not in special_token_ids]

    # joins phonemes
    prediction = " ".join(phonemes)

    # whether to ignore IPA stress marks
    if ignore_stress == True:
        prediction = prediction.replace("ˈ", "").replace("ˌ", "")

    return prediction

checkpoint = "bookbot/wav2vec2-ljspeech-gruut"

model = AutoModelForCTC.from_pretrained(checkpoint)
processor = AutoProcessor.from_pretrained(checkpoint)
sr = processor.feature_extractor.sampling_rate

# load dummy dataset and read soundfiles
ds = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")
audio_array = ds[0]["audio"]["array"]

# or, read a single audio file
# audio_array, _ = librosa.load("myaudio.wav", sr=sr)

inputs = processor(audio_array, return_tensors="pt", padding=True)

with torch.no_grad():
    logits = model(inputs["input_values"]).logits

predicted_ids = torch.argmax(logits, dim=-1)
prediction = decode_phonemes(predicted_ids[0], processor, ignore_stress=True)
# => should give 'b ɪ k ʌ z j u ɚ z s l i p ɪ ŋ ɪ n s t ɛ d ə v k ɔ ŋ k ɚ ɪ ŋ ð ə l ʌ v l i ɹ z p ɹ ɪ n s ə s h æ z b ɪ k ʌ m ə v f ɪ t ə l w ɪ θ n b oʊ p ɹ ə ʃ æ ɡ i s ɪ t s ð ɛ ɹ ə k u ɪ ŋ d ʌ v'

📚 详细文档

模型信息

评估结果

该模型在评估中取得了以下结果：

训练过程

训练超参数

训练过程中使用了以下超参数：

• learning_rate：0.0001
• train_batch_size：16
• eval_batch_size：8
• seed：42
• gradient_accumulation_steps：2
• total_train_batch_size：32
• optimizer：Adam，betas=(0.9,0.999)，epsilon=1e-08
• lr_scheduler_type：线性
• lr_scheduler_warmup_steps：1000
• num_epochs：30.0
• mixed_precision_training：Native AMP

训练结果

免责声明

请考虑预训练数据集可能带来的偏差，这些偏差可能会影响本模型的结果。

作者信息

Wav2Vec2 LJSpeech Gruut由Wilson Wongso进行训练和评估，所有计算和开发工作在Google Cloud上完成。

框架版本

• Transformers 4.26.0.dev0
• Pytorch 1.10.0
• Datasets 2.7.1
• Tokenizers 0.13.2
• Gruut 2.3.4

📄 许可证

本项目采用Apache-2.0许可证。