語(yǔ)音辨識(shí)是人工智慧中的一個(gè)領(lǐng)域，它允許電腦理解人類語(yǔ)音並將其轉(zhuǎn)換為文字。該技術(shù)用於 Alexa 和各種聊天機(jī)器人應(yīng)用程式等設(shè)備。而我們最常見的就是語(yǔ)音轉(zhuǎn)錄，語(yǔ)音轉(zhuǎn)錄可以語(yǔ)音轉(zhuǎn)換成文字記錄或字幕。

wav2vec2、Conformer 和 Hubert 等最先進(jìn)模型的最新發(fā)展極大地推動(dòng)了語(yǔ)音辨識(shí)領(lǐng)域的發(fā)展。這些模型採(cǎi)用無需人工標(biāo)記資料即可從原始音訊中學(xué)習(xí)的技術(shù)，使它們能夠有效地使用未標(biāo)記語(yǔ)音的大型資料集。它們也被擴(kuò)展為使用多達(dá)1,000,000 小時(shí)的訓(xùn)練數(shù)據(jù)，遠(yuǎn)遠(yuǎn)超過學(xué)術(shù)監(jiān)督數(shù)據(jù)集中使用的傳統(tǒng)1,000 小時(shí)，但是以監(jiān)督方式跨多個(gè)數(shù)據(jù)集和領(lǐng)域預(yù)訓(xùn)練的模型已被發(fā)現(xiàn)表現(xiàn)出更好的穩(wěn)健性和對(duì)持有資料集的泛化，所以執(zhí)行語(yǔ)音辨識(shí)等任務(wù)仍然需要微調(diào)，這限制了它們的全部潛力。為了解決這個(gè)問題OpenAI 發(fā)展了 Whisper，一種利用弱監(jiān)督方法的模型。

本文將說明用於訓(xùn)練的資料集的種類以及模型的訓(xùn)練方法，以及如何使用Whisper?

Whisper 模型介紹

使用資料集：

Whisper模型是在68萬小時(shí)標(biāo)記音訊資料的資料集上訓(xùn)練的，其中包括11.7萬小時(shí)96種不同語(yǔ)言的演講和12.5萬小時(shí)從」任意語(yǔ)言「到英語(yǔ)的翻譯資料。該模型利用了互聯(lián)網(wǎng)生成的文本，這些文本是由其他自動(dòng)語(yǔ)音識(shí)別系統(tǒng)(ASR)生成而不是人類創(chuàng)建的。該資料集還包括一個(gè)在VoxLingua107上訓(xùn)練的語(yǔ)言偵測(cè)器，這是從YouTube影片中提取的短語(yǔ)音片段的集合，並根據(jù)影片標(biāo)題和描述的語(yǔ)言進(jìn)行標(biāo)記，並帶有額外的步驟來去除誤報(bào)。

模型：

主要採(cǎi)用的結(jié)構(gòu)是編碼器-解碼器結(jié)構(gòu)。

重採(cǎi)樣:16000 Hz

特徵擷取方法:使用25毫秒的視窗和10毫秒的步幅計(jì)算80通道的log Mel譜圖表示。

特徵歸一化:輸入在全域內(nèi)縮放到-1到1之間，並且在預(yù)訓(xùn)練資料集上具有近似為零的平均值。

編碼器/解碼器:此模型的編碼器和解碼器採(cǎi)用Transformers。

編碼器的過程：

編碼器首先使用一個(gè)包含兩個(gè)卷積層(濾波器寬度為3)的詞幹處理輸入表示，並使用GELU啟動(dòng)函數(shù)。

第二個(gè)卷積層的步幅為 2。

然後將正弦位置嵌入新增到詞幹的輸出中，然後套用編碼器 Transformer 區(qū)塊。

Transformers使用預(yù)先啟動(dòng)殘差塊，編碼器的輸出使用歸一化層進(jìn)行歸一化。

模型框圖：

解碼的過程：

在解碼器中，使用了學(xué)習(xí)位置嵌入和綁定輸入輸出標(biāo)記表示。

編碼器和解碼器具有相同的寬度和數(shù)量的Transformers區(qū)塊。

訓(xùn)練

為了改進(jìn)模型的縮放屬性，它在不同的輸入大小上進(jìn)行了訓(xùn)練。

透過 FP16、動(dòng)態(tài)損失縮放，並採(cǎi)用資料並行來訓(xùn)練模型。

使用AdamW和梯度範(fàn)數(shù)裁剪，在對(duì)前 2048 次更新進(jìn)行預(yù)熱後，線性學(xué)習(xí)率衰減為零。

使用 256 個(gè)批次大小，並訓(xùn)練模型進(jìn)行 220次更新，這相當(dāng)於對(duì)資料集進(jìn)行兩到三次前向傳遞。

由於模型只訓(xùn)練了幾個(gè)輪次，過度擬合不是一個(gè)重要問題，並且沒有使用資料增強(qiáng)或正規(guī)化技術(shù)。這反而可以依靠大型資料集內(nèi)的多樣性來促進(jìn)泛化和魯棒性。

Whisper 在先前使用過的資料集上展示了良好的準(zhǔn)確性，並且已經(jīng)針對(duì)其他最先進(jìn)的模型進(jìn)行了測(cè)試。

優(yōu)點(diǎn)：

• Whisper 已經(jīng)在真實(shí)資料以及其他模型上使用的資料以及弱監(jiān)督下進(jìn)行了訓(xùn)練。
• 模型的準(zhǔn)確性針對(duì)人類聽眾進(jìn)行了測(cè)試並評(píng)估其表現(xiàn)。
• 它能夠偵測(cè)清音區(qū)域並應(yīng)用 NLP 技術(shù)在轉(zhuǎn)錄本中正確進(jìn)行標(biāo)點(diǎn)符號(hào)的輸入。
• 模型是可擴(kuò)展的，允許從音訊訊號(hào)中提取轉(zhuǎn)錄本，而無需將視訊分成區(qū)塊或批次，從而降低了漏音的風(fēng)險(xiǎn)。
• 模型在各種資料集上取得了更高的準(zhǔn)確率。

Whisper在不同資料集上的比較結(jié)果，相較於wav2vec取得了目前最低的字錯(cuò)誤率

模型沒有在timit資料集上進(jìn)行測(cè)試，所以為了檢查它的單字錯(cuò)誤率，我們將在這裡示範(fàn)如何使用Whisper來自行驗(yàn)證timit資料集，也就是說使用Whisper來建立我們自己的語(yǔ)音辨識(shí)應(yīng)用。

使用Whisper 模型進(jìn)行語(yǔ)音辨識(shí)

TIMIT 閱讀語(yǔ)音語(yǔ)料庫(kù)是語(yǔ)音資料的集合，它專門用於聲學(xué)語(yǔ)音研究以及自動(dòng)語(yǔ)音辨識(shí)系統(tǒng)的開發(fā)和評(píng)估。它包括來自美國(guó)英語(yǔ)八種主要方言的 630 位演講者的錄音，每人朗讀十個(gè)語(yǔ)音豐富的句子。語(yǔ)料庫(kù)包括時(shí)間對(duì)齊的拼字、語(yǔ)音和單字轉(zhuǎn)錄以及每個(gè)語(yǔ)音的 16 位元、16kHz 語(yǔ)音波形檔案。該語(yǔ)料庫(kù)由麻省理工學(xué)院 (MIT)、SRI International (SRI) 和德州儀器 (TI) 共同開發(fā)。 TIMIT 語(yǔ)料庫(kù)轉(zhuǎn)錄已手動(dòng)驗(yàn)證，並指定了測(cè)試和訓(xùn)練子集，以平衡語(yǔ)音和方言覆蓋範(fàn)圍。

安裝:

!pip install git+https://github.com/openai/whisper.git
 !pip install jiwer
 !pip install datasets==1.18.3

第一條指令將安裝whisper模型所需的所有相依性。 jiwer是用來下載文字錯(cuò)誤率包的datasets是hugface提供的資料集包，可以下載timit資料集。

導(dǎo)入庫(kù)

import whisper
 from pytube import YouTube
 from glob import glob
 import os
 import pandas as pd
 from tqdm.notebook import tqdm

載入timit資料集

from datasets import load_dataset, load_metric
 
 timit = load_dataset("timit_asr")

計(jì)算不同模型尺寸下的Word錯(cuò)誤率

考慮到過濾英文資料和非英文數(shù)據(jù)的需求，我們?cè)谶@裡選擇使用多語(yǔ)言模型，而不是專門為英語(yǔ)設(shè)計(jì)的模型。

但是TIMIT資料集是純英文的，所以我們要應(yīng)用相同的語(yǔ)言偵測(cè)和辨識(shí)過程。另外就是TIMIT資料集已經(jīng)分割好訓(xùn)練和驗(yàn)證集，我們可以直接使用。

要使用Whisper，我們就要先了解不同模型的參數(shù)，大小和速度。

載入模型

model = whisper.load_model('tiny')

tiny可以替換為上面提到的模型名稱。

定義語(yǔ)言偵測(cè)器的函數(shù)

def lan_detector(audio_file):
 print('reading the audio file')
 audio = whisper.load_audio(audio_file)
 audio = whisper.pad_or_trim(audio)
 mel = whisper.log_mel_spectrogram(audio).to(model.device)
 _, probs = model.detect_language(mel)
 if max(probs, key=probs.get) == 'en':
 return True
 return False

轉(zhuǎn)換語(yǔ)音到文字的函數(shù)

def speech2text(audio_file):
 text = model.transcribe(audio_file)
 return text["text"]

在不同模型大小下運(yùn)行上面的函數(shù)，timit訓(xùn)練和測(cè)試得到的單字錯(cuò)誤率如下：

從u2b轉(zhuǎn)錄語(yǔ)音

#與其他語(yǔ)音辨識(shí)模型相比，Whisper 不僅能辨識(shí)語(yǔ)音，還能解讀一個(gè)人語(yǔ)音中的標(biāo)點(diǎn)??語(yǔ)調(diào)，並插入適當(dāng)?shù)臉?biāo)點(diǎn)符號(hào)，我們下面使用u2b的影片進(jìn)行測(cè)試。

這裡就需要一個(gè)套件pytube，它可以輕鬆的幫助我們下載和提取音訊

def youtube_audio(link):
 youtube_1 = YouTube(link)
 videos = youtube_1.streams.filter(only_audio=True)
 
 name = str(link.split('=')[-1])
 out_file = videos[0].download(name)

 link = name.split('=')[-1]
 new_filename = link+".wav"
 print(new_filename)
 os.rename(out_file, new_filename)
 print(name)
 return new_filename,link

獲得wav檔案後，我們就可以應(yīng)用上面的函數(shù)從中提取文字。

總結(jié)

本文的程式碼在這裡

https://drive.google.com/file/d/1FejhGseX_S1Ig_Y5nIPn1OcHN8DLFGIO/view

還有許多操作可以用Whisper完成，你可以依照本文的程式碼自行嘗試。

以上是使用OpenAI的Whisper 模型進(jìn)行語(yǔ)音識(shí)別的詳細(xì)內(nèi)容。更多資訊請(qǐng)關(guān)注PHP中文網(wǎng)其他相關(guān)文章！