注意

点击此处下载完整示例代码

使用 Wav2Vec2 进行语音识别¶

作者: Moto Hira

本教程展示了如何使用 wav2vec 2.0 的预训练模型进行语音识别 [论文]。

概述¶

语音识别过程如下所示。

从音频波形中提取声学特征
逐帧估计声学特征的类别
从类别概率序列生成假设

Torchaudio 提供了对预训练权重及相关信息（如期望采样率和类别标签）的便捷访问。它们被捆绑在一起，可在 torchaudio.pipelines 模块下找到。

准备工作¶

import torch
import torchaudio

print(torch.__version__)
print(torchaudio.__version__)

torch.random.manual_seed(0)
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

print(device)

2.7.0
2.7.0
cuda

import IPython
import matplotlib.pyplot as plt
from torchaudio.utils import download_asset

SPEECH_FILE = download_asset("tutorial-assets/Lab41-SRI-VOiCES-src-sp0307-ch127535-sg0042.wav")

  0%|          | 0.00/106k [00:00<?, ?B/s]
100%|##########| 106k/106k [00:00<00:00, 62.6MB/s]

创建 pipeline¶

首先，我们将创建一个执行特征提取和分类的 Wav2Vec2 模型。

torchaudio 中提供两种类型的 Wav2Vec2 预训练权重。一种是针对 ASR 任务微调过的，另一种是未微调的。

Wav2Vec2（和 HuBERT）模型以自监督方式进行训练。它们首先仅使用音频进行表示学习，然后使用附加标签针对特定任务进行微调。

未经微调的预训练权重也可以针对其他下游任务进行微调，但本教程不涵盖这部分内容。

我们这里将使用 torchaudio.pipelines.WAV2VEC2_ASR_BASE_960H。

torchaudio.pipelines 中提供了多个预训练模型。请查看文档了解它们是如何训练的详细信息。

bundle 对象提供了实例化模型及其他信息的接口。采样率和类别标签如下所示。

bundle = torchaudio.pipelines.WAV2VEC2_ASR_BASE_960H

print("Sample Rate:", bundle.sample_rate)

print("Labels:", bundle.get_labels())

Sample Rate: 16000
Labels: ('-', '|', 'E', 'T', 'A', 'O', 'N', 'I', 'H', 'S', 'R', 'D', 'L', 'U', 'M', 'W', 'C', 'F', 'G', 'Y', 'P', 'B', 'V', 'K', "'", 'X', 'J', 'Q', 'Z')

模型可以按如下方式构建。此过程将自动获取预训练权重并将其加载到模型中。

model = bundle.get_model().to(device)

print(model.__class__)

Downloading: "https://download.pytorch.org/torchaudio/models/wav2vec2_fairseq_base_ls960_asr_ls960.pth" to /root/.cache/torch/hub/checkpoints/wav2vec2_fairseq_base_ls960_asr_ls960.pth

  0%|          | 0.00/360M [00:00<?, ?B/s]
 16%|#5        | 56.8M/360M [00:00<00:00, 594MB/s]
 32%|###1      | 114M/360M [00:00<00:00, 595MB/s]
 47%|####7     | 170M/360M [00:00<00:00, 595MB/s]
 63%|######3   | 227M/360M [00:00<00:00, 585MB/s]
 79%|#######8  | 284M/360M [00:00<00:00, 589MB/s]
 95%|#########4| 341M/360M [00:00<00:00, 591MB/s]
100%|##########| 360M/360M [00:00<00:00, 590MB/s]
<class 'torchaudio.models.wav2vec2.model.Wav2Vec2Model'>

加载数据¶

我们将使用来自 VOiCES 数据集的语音数据，该数据集根据 Creative Commons BY 4.0 许可。

IPython.display.Audio(SPEECH_FILE)

要加载数据，我们使用 torchaudio.load()。

如果采样率与 pipeline 期望的不同，我们可以使用 torchaudio.functional.resample() 进行重采样。

注意

torchaudio.functional.resample() 也适用于 CUDA tensors。
在同一组采样率上多次执行重采样时，使用 torchaudio.transforms.Resample 可能会提高性能。

waveform, sample_rate = torchaudio.load(SPEECH_FILE)
waveform = waveform.to(device)

if sample_rate != bundle.sample_rate:
    waveform = torchaudio.functional.resample(waveform, sample_rate, bundle.sample_rate)

提取声学特征¶

下一步是从音频中提取声学特征。

注意

针对 ASR 任务微调的 Wav2Vec2 模型可以一步执行特征提取和分类，但为了教程的目的，我们在这里也展示了如何执行特征提取。

with torch.inference_mode():
    features, _ = model.extract_features(waveform)

返回的 features 是一个 tensors 列表。每个 tensor 是一个 transformer 层的输出。

fig, ax = plt.subplots(len(features), 1, figsize=(16, 4.3 * len(features)))
for i, feats in enumerate(features):
    ax[i].imshow(feats[0].cpu(), interpolation="nearest")
    ax[i].set_title(f"Feature from transformer layer {i+1}")
    ax[i].set_xlabel("Feature dimension")
    ax[i].set_ylabel("Frame (time-axis)")
fig.tight_layout()

Feature from transformer layer 1, Feature from transformer layer 2, Feature from transformer layer 3, Feature from transformer layer 4, Feature from transformer layer 5, Feature from transformer layer 6, Feature from transformer layer 7, Feature from transformer layer 8, Feature from transformer layer 9, Feature from transformer layer 10, Feature from transformer layer 11, Feature from transformer layer 12

特征分类¶

提取声学特征后，下一步是将它们分类到一组类别中。

Wav2Vec2 模型提供了在一个步骤中执行特征提取和分类的方法。

with torch.inference_mode():
    emission, _ = model(waveform)

输出是 logits 的形式。它不是概率的形式。

让我们将其可视化。

plt.imshow(emission[0].cpu().T, interpolation="nearest")
plt.title("Classification result")
plt.xlabel("Frame (time-axis)")
plt.ylabel("Class")
plt.tight_layout()
print("Class labels:", bundle.get_labels())

Class labels: ('-', '|', 'E', 'T', 'A', 'O', 'N', 'I', 'H', 'S', 'R', 'D', 'L', 'U', 'M', 'W', 'C', 'F', 'G', 'Y', 'P', 'B', 'V', 'K', "'", 'X', 'J', 'Q', 'Z')

我们可以看到在时间线上某些标签有很强的指示性。

生成转录文本¶

从标签概率序列中，现在我们想生成转录文本。生成假设的过程通常称为“解码”。

解码比简单分类更复杂，因为某个时间步长的解码可能受到周围观测的影响。

例如，以单词 night 和 knight 为例。即使它们的先验概率分布不同（在典型对话中，night 出现的频率远高于 knight），为了准确生成包含 knight 的转录文本，例如 a knight with a sword，解码过程必须推迟最终决定，直到看到足够的上下文。

已经提出了许多解码技术，它们需要外部资源，例如词典和语言模型。

在本教程中，为了简单起见，我们将执行贪婪解码（greedy decoding），它不依赖于此类外部组件，并且只在每个时间步长选择最佳假设。因此，上下文信息不会被使用，并且只能生成一个转录文本。

我们首先定义贪婪解码算法。

class GreedyCTCDecoder(torch.nn.Module):
    def __init__(self, labels, blank=0):
        super().__init__()
        self.labels = labels
        self.blank = blank

    def forward(self, emission: torch.Tensor) -> str:
        """Given a sequence emission over labels, get the best path string
        Args:
          emission (Tensor): Logit tensors. Shape `[num_seq, num_label]`.

        Returns:
          str: The resulting transcript
        """
        indices = torch.argmax(emission, dim=-1)  # [num_seq,]
        indices = torch.unique_consecutive(indices, dim=-1)
        indices = [i for i in indices if i != self.blank]
        return "".join([self.labels[i] for i in indices])

现在创建解码器对象并解码转录文本。

decoder = GreedyCTCDecoder(labels=bundle.get_labels())
transcript = decoder(emission[0])

让我们检查结果并再次聆听音频。

print(transcript)
IPython.display.Audio(SPEECH_FILE)

I|HAD|THAT|CURIOSITY|BESIDE|ME|AT|THIS|MOMENT|

ASR 模型使用称为连接时序分类 (CTC) 的损失函数进行微调。CTC 损失的详细信息在此处解释。在 CTC 中，空白标记 (ϵ) 是一个特殊标记，表示前一个符号的重复。在解码时，这些空白标记被简单忽略。

结论¶

在本教程中，我们探讨了如何使用 Wav2Vec2ASRBundle 进行声学特征提取和语音识别。构建模型并获取输出只需两行代码。

model = torchaudio.pipelines.WAV2VEC2_ASR_BASE_960H.get_model()
emission = model(waveforms, ...)

脚本总运行时间： ( 0 分钟 4.546 秒)

由 Sphinx-Gallery 生成的图库