Rozpoznávání řeči a generování zvuku

Multi-Modal Models with Hugging Face

James Chapman

Curriculum Manager, DataCamp

Řeč

Jaké jsou důležité vlastnosti řečových vln?

Výška tónu: průměrná frekvence u mužů 85–180 Hz, u žen 165–255 Hz
Přízvuk: specifický pro jazyk, akcent a emoce
Rytmus: ovlivněn kontextem, emocemi a jazykem

Příspěvek na sociálních sítích

Automatické rozpoznávání řeči

Zvuk je zakódován a poté dekódován do zvuku nebo textu.

Text i zvuk jsou sekvenční
Příklady: přepis, překlad, převod textu na řeč

Automatické rozpoznávání řeči

Tiny model: 39M parametrů, velikost modelu 150 MB
Trénovací data: 680 tisíc hodin (s popisky)

from transformers import WhisperProcessor, WhisperForConditionalGeneration
processor = WhisperProcessor.from_pretrained("openai/whisper-tiny")
model = WhisperForConditionalGeneration.from_pretrained("openai/whisper-tiny")

¹ https://github.com/openai/whisper

Automatické rozpoznávání řeči

from datasets import load_dataset, Audio
dataset = load_dataset("CSTR-Edinburgh/vctk")["train"]
dataset = dataset.cast_column("audio", Audio(sampling_rate=16_000))

sample = dataset[0]["audio"]

input_preprocessed = processor(sample["array"],
                               sampling_rate=sample["sampling_rate"], 
                               return_tensors="pt")

predicted_ids = model.generate(input_preprocessed.input_features)

transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)
print(transcription)

['Please cool Stella.']

Generování zvuku

Tři komponenty pro generování zvuku:

Předzpracování: převzorkování a extrakce příznaků
Model: transformace příznaků
Vokodér: samostatný generativní model pro zvukové vlny

from transformers import SpeechT5Processor, SpeechT5ForSpeechToSpeech, SpeechT5HifiGan

processor = SpeechT5Processor.from_pretrained("microsoft/speecht5_vc")
model = SpeechT5ForSpeechToSpeech.from_pretrained("microsoft/speecht5_vc")
vocoder = SpeechT5HifiGan.from_pretrained("microsoft/speecht5_hifigan")

Hlasové embeddingy

Diagram znázorňující umístění hlasového embeddingu v pipeline generování řeči

Generování hlasových embeddingů

Předtrénovaný enkodér: pole zvukové vlny → zakódované pole (typicky 512 dimenzí)

from speechbrain.inference.speaker import EncoderClassifier
speaker_model = EncoderClassifier.from_hparams(source="speechbrain/spkrec-xvect-voxceleb")

speaker_embeddings = speaker_model.encode_batch(torch.tensor(dataset[0]["audio"]["array"]))

speaker_embeddings = torch.nn.functional.normalize(speaker_embeddings, dim=2).unsqueeze(0)

Generování zvuku

inputs = processor(audio=dataset[0]["audio"], 
                   sampling_rate=dataset[0]["audio"]["sampling_rate"], 
                   return_tensors="pt")


speech = model.generate_speech(inputs["input_values"], speaker_embedding, vocoder=vocoder)

Spektrogram před zpracováním a po něm

Pojďme si procvičit!

Multi-Modal Models with Hugging Face