Wav2Vec2-Base-100h

Facebook's Wav2Vec2

该基础模型在16kHz采样率的Librispeech上进行了预训练和微调，共计100小时的语音音频。在使用该模型时，请确保输入的语音也是以16kHz进行采样。

Paper

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

摘要

我们首次展示了仅从语音音频中学习强大的表示，然后在转写语音上进行微调，可以超越最佳的半监督方法，而且概念上更简单。wav2vec 2.0在潜空间中屏蔽语音输入，并解决了在共同学习的量化的潜空间表示上定义的对比任务。在使用Librispeech的所有标注数据上进行的实验，clean/other测试集的识别错误率分别为1.8/3.3。当将标注数据减少到一小时时，wav2vec 2.0在100小时子集上的性能超过了先前的最新技术，同时使用了100倍少的标注数据。仅使用十分钟的标注数据，在53000小时的未标注数据上进行预训练的结果仍然达到了4.8/8.2的识别错误率。这证明了在有限的标注数据情况下进行语音识别的可行性。

原始模型可以在 https://github.com/pytorch/fairseq/tree/master/examples/wav2vec#wav2vec-20 处找到。

使用

要转录音频文件，可以将该模型作为独立的声学模型使用，如下所示：

 from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC
 from datasets import load_dataset
 import soundfile as sf
 import torch
 
 # load model and processor
 processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-base-100h")
 model = Wav2Vec2ForCTC.from_pretrained("facebook/wav2vec2-base-100h")
 
 # define function to read in sound file
 def map_to_array(batch):
     speech, _ = sf.read(batch["file"])
     batch["speech"] = speech
     return batch
     
 # load dummy dataset and read soundfiles
 ds = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")
 ds = ds.map(map_to_array)
 
 # tokenize
 input_values = processor(ds[0]["audio"]["array"], return_tensors="pt", padding="longest").input_values  # Batch size 1
 
 # retrieve logits
 logits = model(input_values).logits
 
 # take argmax and decode
 predicted_ids = torch.argmax(logits, dim=-1)
 transcription = processor.batch_decode(predicted_ids)

评估

以下代码片段展示了如何对facebook/wav2vec2-base-100h在LibriSpeech的"clean"和"other"测试数据上进行评估。

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"]))

结果（识别错误率）：