Wav2Vec2-Base-960h

Facebook's Wav2Vec2

基于Librispeech 960小时的预训练和微调的基础模型，使用16kHz采样的语音音频进行模型使用时，请确保输入的语音也是以16kHz进行采样的。

Paper

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

摘要

我们首次展示仅通过语音音频自身学习强大的表示，然后在转录语音上微调可以胜过最佳的半监督方法，而且概念上更简单。wav2vec 2.0在潜空间中屏蔽语音输入，并在共同学习的离散化潜空间上解决了对比任务。在使用Librispeech的所有标记数据时，在干净/其他测试集上实现了1.8/3.3的WER。当将标记数据量降低到一小时时，wav2vec 2.0优于以前在100小时子集上的技术水平，并且使用的标记数据少了100倍。仅使用十分钟的标记数据和53000小时的无标记数据进行预训练仍然可以实现4.8/8.2的WER。这证明了在有限的标记数据条件下进行语音识别是可行的。

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

用法

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 torch
 
 # load model and tokenizer
 processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-base-960h")
 model = Wav2Vec2ForCTC.from_pretrained("facebook/wav2vec2-base-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)

评估

以下代码片段展示了如何在LibriSpeech的“clean”和“other”测试数据上评估facebook/wav2vec2-base-960h。

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"]))

结果（WER）：