wav2vec2-xls-r-300m-timit-phoneme - 改进Wav2Vec2的音素识别性能的开源AI模型

项目介绍：wav2vec2-xls-r-300m-timit-phoneme

项目背景

wav2vec2-xls-r-300m-timit-phoneme项目是一种自动语音识别（ASR）模型。它是基于Facebook的wav2vec2-xls-r-300m模型的微调版本，该模型专为DARPA TIMIT数据集上的音素识别而设计。TIMIT数据集是一种用于声学-音素连续语音研究的标准数据集，主要用于研究语音识别相关技术。该项目的技术和模型实现使得语音转文字的过程更加高效和精准。

使用方法

方法1：使用HuggingFace's pipeline

HuggingFace's pipeline提供了一种便捷的方法，可以从原始音频输入到文本输出的全流程。使用这条管道只需以下几步：

from transformers import pipeline

# 载入模型
pipe = pipeline(model="vitouphy/wav2vec2-xls-r-300m-timit-phoneme")
# 处理原始音频
output = pipe("audio_file.wav", chunk_length_s=10, stride_length_s=(4, 2))

方法2：自定义音素预测

对于需要更大灵活性的用户，他们可以选择自定义的方法进行音素预测：

from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC 
from datasets import load_dataset
import torch
import soundfile as sf

# 载入模型和处理器
processor = Wav2Vec2Processor.from_pretrained("vitouphy/wav2vec2-xls-r-300m-timit-phoneme")
model = Wav2Vec2ForCTC.from_pretrained("vitouphy/wav2vec2-xls-r-300m-timit-phoneme")

# 读取并处理输入音频
audio_input, sample_rate = sf.read("audio_file.wav")
inputs = processor(audio_input, sampling_rate=16_000, return_tensors="pt", padding=True)

with torch.no_grad():
    logits = model(inputs.input_values, attention_mask=inputs.attention_mask).logits

# 解码ID为字符串
predicted_ids = torch.argmax(logits, axis=-1)      
predicted_sentences = processor.batch_decode(predicted_ids)
print(predicted_sentences)

训练和评估数据

本模型使用DARPA TIMIT数据集进行训练和评估。数据集被分为训练、验证和测试三个部分，比例为80/10/10，分别对应于大约137/17/17分钟的语音数据。在测试集上的字符错误率（CER）为7.996%。

训练过程

训练超参数

在训练过程中，使用了以下超参数：

学习率：3e-05
训练批次大小：8
评估批次大小：8
随机种子：42
梯度累积步数：4
总训练批次大小：32
优化器：Adam，参数为betas=(0.9, 0.999) 和 epsilon=1e-08
学习率调度类型：线性
学习率调度预热步骤：2000
训练步骤：10000
混合精度训练：Native AMP

使用的框架版本

Transformers 版本：4.17.0.dev0
Pytorch 版本：1.10.2+cu102
Datasets 版本：1.18.2.dev0
Tokenizers 版本：0.11.0

引用

@misc { phy22-phoneme,
  author       = {Phy, Vitou},
  title        = {{Automatic Phoneme Recognition on TIMIT Dataset with Wav2Vec 2.0}},
  year         = 2022,
  note         = {{If you use this model, please cite it using these metadata.}},
  publisher    = {Hugging Face},
  version      = {1.0},
  doi          = {10.57967/hf/0125},
  url          = {https://huggingface.co/vitouphy/wav2vec2-xls-r-300m-timit-phoneme}
}

wav2vec2-xls-r-300m-timit-phoneme项目运用了先进的自然语言处理和机器学习技术，使得语音识别更加高效可靠，是研究和应用语音技术的重要工具。