Wav2vec2 Large 960h Lv60 Self

🚀 Wav2Vec2-Large-960h-Lv60 + 自训练

本项目基于Facebook的Wav2Vec2技术，是一个在960小时的Libri-Light和Librispeech数据集上进行预训练和微调的大模型，适用于16kHz采样的语音音频。该模型采用自训练目标进行训练。使用模型时，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征，然后在转录语音上进行微调，在概念上更简单的同时，性能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，并解决了一个基于潜在表征量化的对比任务，这些潜在表征是联合学习的。使用Librispeech的所有标注数据进行实验，在干净/其他测试集上的字错率（WER）分别达到1.8/3.3。当将标注数据量减少到一小时时，wav2vec 2.0在100小时子集上的性能优于之前的最优方法，同时使用的标注数据量减少了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，字错率仍能达到4.8/8.2。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。

🚀 快速开始

本模型可作为独立的声学模型对音频文件进行转录，使用方法如下。

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

# 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

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

# 加载LibriSpeech的测试数据集
librispeech_eval = load_dataset("librispeech_asr", "clean", split="test")

# 加载模型到CUDA设备
model = Wav2Vec2ForCTC.from_pretrained("facebook/wav2vec2-large-960h-lv60-self").to("cuda")
processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-large-960h-lv60-self")

# 定义预测函数
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

# 对数据集进行预测
result = librispeech_eval.map(map_to_pred, remove_columns=["audio"])

# 打印字错率
print("WER:", wer(result["text"], result["transcription"]))

结果（字错率）:

📄 许可证

本项目采用Apache 2.0许可证。

📚 详细文档