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

一、概述

语音识别的过程如下所示：

1. 从音频波形中提取声学特征
2. 逐帧估计声学特征的类别
3. 根据类别概率序列生成假设

Torchaudio 提供了便捷的访问预训练权重及相关信息的方式，例如预期的采样率和类别标签。这些信息被打包在一起，并可通过 torchaudio.pipelines 模块获取。

二、准备工作

import torch
import torchaudioprint(torch.__version__)
print(torchaudio.__version_