Wav2vec2 Base 960h

🚀 Wav2Vec2-Base-960h

Wav2Vec2-Base-960h 是一个基于 960 小时 Librispeech 数据集、在 16kHz 采样语音音频上进行预训练和微调的基础模型。它能够助力自动语音识别任务，为语音处理领域提供强大的支持。

🔍 基本信息

👀 示例展示

• Librispeech sample 1
• Librispeech sample 2

📚 相关链接

• Facebook's Wav2Vec2
• Paper
• 原模型地址：https://github.com/pytorch/fairseq/tree/master/examples/wav2vec#wav2vec-20

📝 作者信息

作者：Alexei Baevski、Henry Zhou、Abdelrahman Mohamed、Michael Auli

📃 摘要

我们首次证明，先从语音音频中学习强大的表征，再在转录语音上进行微调，这种方法在概念上更简单的同时，还能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 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 小时子集上超越了之前的最优方法，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，仍能实现 4.8/8.2 的 WER。这证明了在有限标注数据情况下进行语音识别的可行性。

🚀 快速开始

在使用该模型时，请确保你的语音输入也是 16kHz 采样的。

💻 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

# 加载模型和分词器
processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-base-960h")
model = Wav2Vec2ForCTC.from_pretrained("facebook/wav2vec2-base-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")

# 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“干净”和“其他”测试数据上评估 facebook/wav2vec2-base-960h 模型：

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-base-960h").to("cuda")
processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-base-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=["audio"])

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

📊 评估结果