Mms Lid 256

🚀 大规模多语言语音 (MMS) - 微调后的语言识别模型

本模型是一个经过微调的语音语言识别 (LID) 模型，是 Facebook 大规模多语言语音项目 的一部分。该模型基于 Wav2Vec2 架构，可将原始音频输入分类为 256 个输出类别的概率分布（每个类别代表一种语言）。此模型包含 10 亿个参数，是在 256 种语言上对 facebook/mms-1b 进行微调得到的。

🚀 快速开始

安装依赖

首先，我们需要安装 transformers 和其他一些必要的库：

pip install torch accelerate torchaudio datasets
pip install --upgrade transformers

注意：为了使用 MMS，你需要安装至少 transformers >= 4.30 版本。如果 4.30 版本尚未在 PyPI 上发布，请确保从源代码安装 transformers：

pip install git+https://github.com/huggingface/transformers.git

加载音频样本

接下来，我们通过 datasets 加载一些音频样本。请确保音频数据的采样率为 16000 kHz。

from datasets import load_dataset, Audio

# 英语样本
stream_data = load_dataset("mozilla-foundation/common_voice_13_0", "en", split="test", streaming=True)
stream_data = stream_data.cast_column("audio", Audio(sampling_rate=16000))
en_sample = next(iter(stream_data))["audio"]["array"]

# 阿拉伯语样本
stream_data = load_dataset("mozilla-foundation/common_voice_13_0", "ar", split="test", streaming=True)
stream_data = stream_data.cast_column("audio", Audio(sampling_rate=16000))
ar_sample = next(iter(stream_data))["audio"]["array"]

加载模型和处理器

from transformers import Wav2Vec2ForSequenceClassification, AutoFeatureExtractor
import torch

model_id = "facebook/mms-lid-256"

processor = AutoFeatureExtractor.from_pretrained(model_id)
model = Wav2Vec2ForSequenceClassification.from_pretrained(model_id)

音频分类

现在我们处理音频数据，并将处理后的音频数据传递给模型，以将其分类为某种语言，就像我们通常对 Wav2Vec2 音频分类模型（如 ehcalabres/wav2vec2-lg-xlsr-en-speech-emotion-recognition）所做的那样。

# 英语音频分类
inputs = processor(en_sample, sampling_rate=16_000, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs).logits

lang_id = torch.argmax(outputs, dim=-1)[0].item()
detected_lang = model.config.id2label[lang_id]
# 'eng'

# 阿拉伯语音频分类
inputs = processor(ar_sample, sampling_rate=16_000, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs).logits

lang_id = torch.argmax(outputs, dim=-1)[0].item()
detected_lang = model.config.id2label[lang_id]
# 'ara'

查看支持的语言

要查看模型支持的所有语言，可以按如下方式打印语言 ID：

processor.id2label.values()

有关该架构的更多详细信息，请查看 官方文档。

✨ 主要特性

• 多语言支持：该模型支持 256 种语言，能够准确识别多种语言的语音。
• 基于先进架构：基于 Wav2Vec2 架构，具有良好的性能和泛化能力。

📦 安装指南

安装所需的库，具体安装命令如下：

pip install torch accelerate torchaudio datasets
pip install --upgrade transformers

若 transformers 版本未达到要求，可从源代码安装：

pip install git+https://github.com/huggingface/transformers.git

💻 使用示例

基础用法

from datasets import load_dataset, Audio
from transformers import Wav2Vec2ForSequenceClassification, AutoFeatureExtractor
import torch

# 加载英语音频样本
stream_data = load_dataset("mozilla-foundation/common_voice_13_0", "en", split="test", streaming=True)
stream_data = stream_data.cast_column("audio", Audio(sampling_rate=16000))
en_sample = next(iter(stream_data))["audio"]["array"]

# 加载模型和处理器
model_id = "facebook/mms-lid-256"
processor = AutoFeatureExtractor.from_pretrained(model_id)
model = Wav2Vec2ForSequenceClassification.from_pretrained(model_id)

# 处理音频数据
inputs = processor(en_sample, sampling_rate=16_000, return_tensors="pt")

# 进行推理
with torch.no_grad():
    outputs = model(**inputs).logits

# 获取预测的语言 ID
lang_id = torch.argmax(outputs, dim=-1)[0].item()
detected_lang = model.config.id2label[lang_id]
print(detected_lang)

高级用法

# 可以通过循环处理多个音频样本
from datasets import load_dataset, Audio
from transformers import Wav2Vec2ForSequenceClassification, AutoFeatureExtractor
import torch

model_id = "facebook/mms-lid-256"
processor = AutoFeatureExtractor.from_pretrained(model_id)
model = Wav2Vec2ForSequenceClassification.from_pretrained(model_id)

languages = ["en", "ar"]  # 要处理的语言列表
for lang in languages:
    stream_data = load_dataset("mozilla-foundation/common_voice_13_0", lang, split="test", streaming=True)
    stream_data = stream_data.cast_column("audio", Audio(sampling_rate=16000))
    sample = next(iter(stream_data))["audio"]["array"]

    inputs = processor(sample, sampling_rate=16_000, return_tensors="pt")
    with torch.no_grad():
        outputs = model(**inputs).logits

    lang_id = torch.argmax(outputs, dim=-1)[0].item()
    detected_lang = model.config.id2label[lang_id]
    print(f"Detected language for {lang}: {detected_lang}")

📚 详细文档

支持的语言

本模型支持 256 种语言。点击下面的按钮展开查看此模型支持的所有语言的 ISO 639-3 代码。你可以在 MMS 语言覆盖概述 中找到有关这些语言及其 ISO 649-3 代码的更多详细信息。

模型详情

额外链接

• 博客文章
• Transformers 文档
• 论文
• GitHub 仓库
• 其他 MMS 检查点
• MMS 基础检查点：
  • facebook/mms-1b
  • facebook/mms-300m
• 官方空间

📄 许可证

本模型使用 CC-BY-NC 4.0 许可证。