Rozpoznawanie mowy i generowanie dźwięku

Modele multimodalne z Hugging Face

James Chapman

Curriculum Manager, DataCamp

Mowa

Co jest istotne w przebiegach mowy?

Wysokość tonu: średnia częstotliwość dla mężczyzn 85–180 Hz, dla kobiet 165–255 Hz
Akcent: zależny od języka, dialektu i emocji
Rytm: zależny od kontekstu, emocji i języka

Post w mediach społecznościowych

Automatyczne rozpoznawanie mowy

Dźwięk jest kodowany, a następnie dekodowany do postaci audio lub tekstu.

Tekst i dźwięk są sekwencyjne
Przykłady: transkrypcja, tłumaczenie, synteza mowy

Automatyczne rozpoznawanie mowy

Model Tiny: 39M parametrów, rozmiar 150MB
Dane treningowe: 680 tys. godzin (z etykietami)

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

Automatyczne rozpoznawanie mowy

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.']

Generowanie dźwięku

Trzy komponenty do generowania dźwięku:

Preprocesor: próbkowanie i ekstrakcja cech
Model: transformacja cech
Vocoder: osobny model generatywny dla przebiegów audio

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")

Osadzenia mowy

Diagram przedstawiający osadzenie mówcy w potoku generowania mowy

Generowanie osadzeń mówcy

Wstępnie wytrenowany enkoder: tablica przebiegu audio → zakodowana tablica (zazwyczaj 512 wymiarów)

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)

Generowanie dźwięku

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 przed i po przetworzeniu

Czas na ćwiczenia!

Modele multimodalne z Hugging Face