Wav2Vec2-Large-960h

Facebook's Wav2Vec2

由于采用了960小时的Librispeech语音音频进行预训练和微调的大型模型。使用此模型时，请确保语音输入也是以16kHz采样的。

Paper

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

摘要

我们首次展示仅从语音音频中学习强大的表示，然后在转录语音上进行微调可以优于最好的半监督方法，同时在概念上更简单。Wav2vec 2.0在潜空间中对语音输入进行掩码，并解决在联合学习的潜空间表示的量化上定义的对比任务。在使用全部标记数据进行的实验中，Librispeech的清晰度/其他测试集分别实现了1.8/3.3的字错率（WER）。当将标记数据减少到一小时时，Wav2vec 2.0在使用100倍少的标记数据的情况下优于之前的100小时子集的技术水平。即使只使用十分钟的标记数据，并在53k小时的未标记数据上进行预训练，仍然实现了4.8/8.2的字错率。这证明了在有限标记数据量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。

用法

要转录音频文件，可以使用模型作为独立的声学模型，如下所示：

 from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC
 from datasets import load_dataset
 import torch
 
 # load model and processor
 processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-large-960h")
 model = Wav2Vec2ForCTC.from_pretrained("facebook/wav2vec2-large-960h")
     
 # load dummy dataset and read soundfiles
 ds = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")
 
 # 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)

评价

此代码片段展示了如何评估Facebook/wav2vec2-large-960h在LibriSpeech的"clean"和"other"测试数据上。

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

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

结果（WER）：