【人工智能】Transformers之Pipeline（二）：自动语音辨认（automatic-spee ...

​​​​​​​

目次

一、引言 
二、自动语音辨认（automatic-speech-recognition）
2.1 概述
2.2 技术原理
2.2.1 whisper模子
2.2.2 Wav2vec 2.0模子
2.3 pipeline参数
2.3.1 pipeline对象实例化参数​​​​​​​
2.3.2 pipeline对象利用参数 
2.3.3 pipeline对象返回参数
2.4 pipeline实战
2.4.1 facebook/wav2vec2-base-960h（默认模子）
 2.4.2 openai/whisper-medium
2.5 模子排名
三、总结

---

一、引言 

 pipeline（管道）是huggingface transformers库中一种极简方式利用大模子推理的抽象，将全部大模子分为音频（Audio）、盘算机视觉（Computer vision）、天然语言处置惩罚（NLP）、多模态（Multimodal）等4大类，28小类任务（tasks），共计覆盖32万个模子。

今天介绍Audio音频的第二篇，自动语音辨认（automatic-speech-recognition），在huggingface库内共有1.8万个音频分类模子。
二、自动语音辨认（automatic-speech-recognition）

2.1 概述

自动语音辨认 (ASR)，也称为语音转文本 (STT)，是将给定音频转录为文本的任务。主要应用场景有人机对话、语音转文本、歌词辨认、字幕生成等。

2.2 技术原理

自动语音辨认主要原理是音频切分成25ms-60ms的音谱后，采取卷机网络抽取音频特征，再通过transformer等网络布局与文本举行对齐训练。比较着名的自动语音辨认当属openai的whisper和meta的Wav2vec 2.0。
2.2.1 whisper模子

语音部分：基于680000小时音频数据举行训练，包罗英文、其他语言转英文、非英文等多种语言。将音频数据转换成梅尔频谱图，再经过两个卷积层后送入 Transformer 模子。
文本部分：文本token包罗3类：special tokens（标志tokens）、text tokens（文本tokens）、timestamp tokens（时间戳），基于标志tokens控制文本的开始和结束，基于timestamp tokens让语音时间与文本对其。

 差别尺寸模子参数量、多语言支持情况、需要现存巨细以及推理速度如下

2.2.2 Wav2vec 2.0模子

Wav2vec 2.0是 Meta在2020年发表的无监督语音预训练模子。它的核心头脑是通过向量量化（Vector Quantization，VQ）构造自建监督训练目的，对输入做大量掩码后利用对比学习丧失函数举行训练。模子布局如图，基于卷积网络（Convoluational Neural Network，CNN）的特征提取器将原始音频编码为帧特征序列，通过 VQ 模块把每帧特征转变为离散特征 Q，并作为自监督目的。同时，帧特征序列做掩码操纵后进入 Transformer [5] 模子得到上下文表现 C。末了通过对比学习丧失函数，拉近掩码位置的上下文表现与对应的离散特征 q 的距离，即正样本对。

2.3 pipeline参数

2.3.1 pipeline对象实例化参数​​​​​​​

   

• 模子（PreTrainedModel或TFPreTrainedModel）— 管道将利用其举行猜测的模子。 对于 PyTorch，这需要从PreTrainedModel继续；对于 TensorFlow，这需要从TFPreTrainedModel继续。
  
• feature_extractor（SequenceFeatureExtractor）——管道将利用其来为模子编码波形的特征提取器。
  
• tokenizer ( PreTrainedTokenizer ) — 管道将利用 tokenizer 来为模子编码数据。此对象继续自 PreTrainedTokenizer。
  
• 解码器（pyctcdecode.BeamSearchDecoderCTC，可选）— PyCTCDecode 的 BeamSearchDecoderCTC 可以传递用于语言模子增强解码。有关更多信息，请参阅Wav2Vec2ProcessorWithLM 。
  
• chunk_length_s ( float，可选，默以为 0) — 每个块的输入长度。如果chunk_length_s = 0禁用分块（默认）。
  
• stride_length_s ( float，可选，默以为chunk_length_s / 6) — 每个块左侧和右侧的步幅长度。仅与 一起利用chunk_length_s > 0。这使模子能够看到更多上下文并比没有此上下文时更好地推断字母，但管道会在末了丢弃步幅位，以使终极的重构尽大概完美。
  
• 框架（str，可选）— 要利用的框架，"pt"适用于 PyTorch 或"tf"TensorFlow。必须安装指定的框架。如果未指定框架，则默以为当前安装的框架。如果未指定框架且两个框架都已安装，则默以为 的框架model，如果未提供模子，则默以为 PyTorch 的框架。
  
• 设备（Union[ int, torch.device]，可选）— CPU/GPU 支持的设备序号。设置为None将利用 CPU，设置为正数将在关联的 CUDA 设备 ID 上运行模子。
  
• torch_dtype (Union[ int, torch.dtype],可选) — 盘算的数据类型 (dtype)。将其设置为None将利用 float32 精度。设置为 torch.float16或torch.bfloat16将在相应的 dtype 中利用半精度。
  

  2.3.2 pipeline对象利用参数 

   

• 输入（np.ndarray或bytes或str或dict） — 输入可以是：
  
  
  
  • str即本地音频文件的文件名，或下载音频文件的公共 URL 地址。文件将以精确的采样率读取，以利用 ffmpeg获取波形。这需要系统上安装ffmpeg 。
    
  • bytes它应该是音频文件的内容，并以雷同的方式由ffmpeg举行表明。
    
  • （np.ndarray形状为（n，）类型为np.float32或np.float64）精确采样率的原始音频（不再举行进一步检查）
    
  • dict形式可用于传递任意采样的原始音频sampling_rate，并让此管道举行重新采样。字典必须采取{"sampling_rate": int, "raw": np.array}可选格式"stride": (left: int, right: int)，可以要求管道在解码时忽略第一个left样本和末了一个right样本（但在推理时利用，为模子提供更多上下文）。仅用于strideCTC 模子。
    
  
  
• return_timestamps（可选，str或bool）— 仅适用于纯 CTC 模子（Wav2Vec2、HuBERT 等）和 Whisper 模子。不适用于其他序列到序列模子。
  对于 CTC 模子，时间戳可以采取以下两种格式之一：
  
  
  
  • "char"：管道将返回文本中每个字符的时间戳。比方，如果您得到[{"text": "h", "timestamp": (0.5, 0.6)}, {"text": "i", "timestamp": (0.7, 0.9)}]，则意味着模子猜测字母“h”是在 秒后0.5和 0.6秒之前说出的。
    
  • "word"：管道将返回文本中每个单词的时间戳。比方，如果您得到[{"text": "hi ", "timestamp": (0.5, 0.9)}, {"text": "there", "timestamp": (1.0, 1.5)}]，则意味着模子猜测单词“hi”是在 秒后0.5和0.9秒之前说的。
    
  对于 Whisper 模子，时间戳可以采取以下两种格式之一：
     
  
  
  
  • "word"：与上文雷同，适用于字级 CTC 时间戳。字级时间戳通过动态时间规整 (DTW)算法举行猜测，该算法通过检查交叉留意权重来近似字级时间戳。
    
  • True：管道将返回文本中单词片段的时间戳。比方，如果您得到[{"text": " Hi there!", "timestamp": (0.5, 1.5)}]，则意味着模子猜测“Hi there!” 片段是在 秒后0.5和1.5秒之前说的。请留意，文本片段指的是一个或多个单词的序列，而不是像单词级时间戳那样的单个单词。
    
  
  
• generate_kwargs（dict，可选generate_config）—用于生成调用的临时参数化字典。有关 generate 的完整概述，请查看以下指南。
  
• max_new_tokens（int，可选）— 要生成的最大令牌数，忽略提示中的令牌数。
  

  2.3.3 pipeline对象返回参数

   

• 文本（str）：辨认的文本。
  
• chunks（可选（，List[Dict]）当利用时return_timestamps，chunks将成为一个列表，包罗模子辨认的全部各种文本块，比方* [{"text": "hi ", "timestamp": (0.5, 0.9)}, {"text": "there", "timestamp": (1.0, 1.5)}]。通过执行可以大抵地恢复原始全文 "".join(chunk["text"] for chunk in output["chunks"])。
  

  2.4 pipeline实战

2.4.1 facebook/wav2vec2-base-960h（默认模子）

pipeline对于automatic-speech-recognition的默认模子是facebook/wav2vec2-base-960h，利用pipeline时，如果仅设置task=automatic-speech-recognition，不设置模子，则下载并利用默认模子。

1. import os
2. os.environ["HF_ENDPOINT"] = "https://hf-mirror.com"
3. os.environ["CUDA_VISIBLE_DEVICES"] = "2"
5. from transformers import pipeline
7. speech_file = "./output_video_enhanced.mp3"
8. pipe = pipeline(task="automatic-speech-recognition")
9. result = pipe(speech_file)
10. print(result)

复制代码

 可以将.mp3内的音频转为文本：

1. {'text': "WELL TO DAY'S STORY MEETING IS OFFICIALLY STARTED SOMEONE SAID THAT YOU HAVE BEEN TELLING STORIES FOR TWO OR THREE YEARS FOR SUCH A LONG TIME AND YOU STILL HAVE A STORY MEETING TO TELL"}

复制代码

 2.4.2 openai/whisper-medium

我们指定模子openai/whisper-medium，具体代码为：

1. import os
2. os.environ["HF_ENDPOINT"] = "https://hf-mirror.com"
3. os.environ["CUDA_VISIBLE_DEVICES"] = "2"
5. from transformers import pipeline
7. speech_file = "./output_video_enhanced.mp3"
8. pipe = pipeline(task="automatic-speech-recognition", model="openai/whisper-medium")
9. result = pipe(speech_file)
10. print(result)

复制代码

输入为一段mp3格式的语音，输出为

1. {'text': " Well, today's story meeting is officially started. Someone said that you have been telling stories for two or three years for such a long time, and you still have a story meeting to tell."}

复制代码

2.5 模子排名

在huggingface上，我们筛选自动语音辨认模子，并按下载量从高到低排序：

三、总结

本文对transformers之pipeline的自动语音辨认（automatic-speech-recognition）从概述、技术原理、pipeline参数、pipeline实战、模子排名等方面举行介绍，读者可以基于pipeline利用文中的代码极简的举行自动语音辨认推理，应用于语音辨认、字幕提取等业务场景。

等候您的3连+关注，如何还有时间，接待阅读我的其他文章：
《Transformers-Pipeline概述》
【人工智能】Transformers之Pipeline（概述）：30w+大模子极简应用
《Transformers-Pipeline 第一章：音频（Audio）篇》
【人工智能】Transformers之Pipeline（一）：音频分类（audio-classification）​​​​​​​
【人工智能】Transformers之Pipeline（二）：自动语音辨认（automatic-speech-recognition）​​​​​​​
【人工智能】Transformers之Pipeline（三）：文本转音频（text-to-audio）
【人工智能】Transformers之Pipeline（四）：零样本音频分类（zero-shot-audio-classification）
《Transformers-Pipeline 第二章：盘算机视觉（CV）篇》
【人工智能】Transformers之Pipeline（五）：深度估计（depth-estimation）
【人工智能】Transformers之Pipeline（六）：图像分类（image-classification）
【人工智能】Transformers之Pipeline（七）：图像分割（image-segmentation）
【人工智能】Transformers之Pipeline（八）：图生图（image-to-image）
【人工智能】Transformers之Pipeline（九）：物体检测（object-detection）
【人工智能】Transformers之Pipeline（十）：视频分类（video-classification）
【人工智能】Transformers之Pipeline（十一）：零样本图片分类（zero-shot-image-classification）
【人工智能】Transformers之Pipeline（十二）：零样本物体检测（zero-shot-object-detection）
《Transformers-Pipeline 第三章：天然语言处置惩罚（NLP）篇》
【人工智能】Transformers之Pipeline（十三）：填充蒙版（fill-mask）
【人工智能】Transformers之Pipeline（十四）：问答（question-answering）
【人工智能】Transformers之Pipeline（十五）：总结（summarization）
【人工智能】Transformers之Pipeline（十六）：表格问答（table-question-answering）
【人工智能】Transformers之Pipeline（十七）：文本分类（text-classification）
【人工智能】Transformers之Pipeline（十八）：文本生成（text-generation）
【人工智能】Transformers之Pipeline（十九）：文生文（text2text-generation）
【人工智能】Transformers之Pipeline（二十）：令牌分类（token-classification）
【人工智能】Transformers之Pipeline（二十一）：翻译（translation）
【人工智能】Transformers之Pipeline（二十二）：零样本文本分类（zero-shot-classification）
《Transformers-Pipeline 第四章：多模态（Multimodal）篇》
【人工智能】Transformers之Pipeline（二十三）：文档问答（document-question-answering）
【人工智能】Transformers之Pipeline（二十四）：特征抽取（feature-extraction）
【人工智能】Transformers之Pipeline（二十五）：图片特征抽取（image-feature-extraction）
【人工智能】Transformers之Pipeline（二十六）：图片转文本（image-to-text）
【人工智能】Transformers之Pipeline（二十七）：掩码生成（mask-generation）
【人工智能】Transformers之Pipeline（二十八）：视觉问答（visual-question-answering）

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。