Wav2Vec2-Base-960h

Wav2Vec2-Base-960h

把采样率为 16 kHz 的英语语音音频转成文字。这是在 960 小时 Librispeech 上微调过的 wav2vec 2.0 基础模型，适合需要转写基线的开发者和研究者。

由 facebook 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Wav2Vec2-Base-960h 是一个英语语音转文字模型。它读取一段音频并写出其中的词。Facebook 先用语音音频预训练这个基础模型，再在 960 小时的 Librispeech 上微调。

适合谁：它适合需要英语转写或对比基线的开发者和研究者。已经有人发布了 181 个它的微调版本。

Title: 谁在用
Industry | Who uses it | How they use it | Example
软件 | 开发者 | 给应用加入英语转写 | 转写音频文件的脚本
研究 | 语音研究者 | 把它当基线，测量词错误率 | LibriSpeech 的 clean 和 other 测试集得分
教育 | 学习语音识别的学生 | 研究语音模型如何把音频变成文字 | 在小数据集上运行模型卡里的示例

如果你的音频不是英语，可以跳过它。

用在哪里：

• Windows、macOS 或 Linux 上的 Python
• transformers 库，搭配 PyTorch
• GPU：如果你运行模型卡里的评测脚本，它会把模型送到 CUDA 上
• 任何音频来源，只要采样率是 16 kHz

Title: 它能做的事
Use case | Who | What they get back
转写音频文件 | 开发者 | 从音频片段解码出的文本
衡量准确率 | 研究者 | 在 LibriSpeech 测试数据上的词错误率

如何设置：

• Windows、macOS 或 Linux 上的 Python
• transformers、datasets 和 torch 包，模型卡里的代码会导入它们
• 采样率为 16 kHz 的语音输入

1. 安装代码所导入的包。
2. 如果愿意，可以手动下载模型文件。
3. 运行使用示例代码，它按名字加载模型。

pip install -U huggingface_hub
hf download facebook/wav2vec2-base-960h

如何使用：
加载处理器和模型，把音频数组变成输入值，每一步取最可能的词元，再把 id 解码成文字。模型卡在一个小样本数据集上演示了这个流程。

from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC
from datasets import load_dataset
import torch

# load model and tokenizer
processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-base-960h")
model = Wav2Vec2ForCTC.from_pretrained("facebook/wav2vec2-base-960h")

# load dummy dataset and read soundfiles
ds = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")

# tokenize
input_values = processor(ds[0]["audio"]["array"], return_tensors="pt", padding="longest").input_values  # Batch size 1

# retrieve logits
logits = model(input_values).logits

# take argmax and decode
predicted_ids = torch.argmax(logits, dim=-1)
transcription = processor.batch_decode(predicted_ids)

Title: 代码的各个部分
Tool | What it does
Wav2Vec2Processor | 把音频数组变成模型的输入值
Wav2Vec2ForCTC | 运行模型并返回每一步的分数
torch.argmax | 每一步挑出最可能的词元
batch_decode | 把选出的词元 id 变成文字

示例：
你加载模型卡小样本数据集的第一段音频并运行上面的代码。模型读取音频，以文本字符串的形式返回转写结果，你可以把它和这段音频的参考文本对比。

新手与专家：
如果你是新手，可以把它看作一个听录音并把听到的内容打出来的程序。第一件小事是用示例代码跑模型卡数据集里的那一段音频。

如果你懂这个领域，wav2vec 2.0 通过遮蔽音频特征的一部分来预训练，再解决一个基于量化潜在值的对比任务。这个检查点作为独立的声学模型配合 CTC 使用，没有语言模型。代价是更难的音频上准确率较低，词错误率 clean 是 3.4，other 是 8.6。

采样率 16 kHz 的音频
处理器生成输入值
Wav2Vec2ForCTC 返回 logits
argmax 选出词元 id
batch_decode 写出文字

注意事项：

Title: LibriSpeech 测试数据上的词错误率
clean: 3.4 %
other: 8.6 %

• 输入：音频的采样率必须是 16 kHz。
• 语言：记录里只列了英语。
• 大小：94.4M 参数，F32 约 378 MB。
• License：apache-2.0。
• Cost to run：没有提到 API 密钥、账号或付费服务。
• Data it reaches：它从 Hugging Face 下载模型和一个示例数据集，模型卡没有提到别的访问。
• Not for：英语以外的语音。

Hugging Face 上的数据（2026年11月13日）

• 任务：automatic speech recognition
• 框架：transformers
• 参数量：94.4M
• Weights: about 378 MB in F32; about 47 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：1,794,378
• 点赞：418
• 许可证：apache-2.0
• 语言：en
• Quantized versions: 11
• Fine-tunes: 181
• 标签：transformers, pytorch, safetensors, wav2vec2, automatic-speech-recognition, audio, hf-asr-leaderboard, model-index

链接

• 模型：https://huggingface.co/facebook/wav2vec2-base-960h
• 文件：https://huggingface.co/facebook/wav2vec2-base-960h/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download facebook/wav2vec2-base-960h

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。