Viwav2vec2 Base 3k

🚀 3K時間のベトナム語音声で学習されたWav2Vec2ベースモデル

このベースモデルは、3K時間の自発的な発話、読み上げ、放送用の音声を含むベトナム語音声コーパスから抽出された16kHzサンプリングの音声オーディオで事前学習されています。モデルを使用する際には、入力音声も16kHzでサンプリングされていることを確認してください。このモデルは、ベトナム語の自動音声認識などの下流タスクでファインチューニングする必要があります。

⚠️ 重要提示

このモデルは音声のみで事前学習されているため、トークナイザーがありません。このモデルを音声認識に使用するには、トークナイザーを作成し、ラベル付きのテキストデータでモデルをファインチューニングする必要があります。モデルのファインチューニング方法の詳細については、このブログを参照してください。

FacebookのWav2Vec2ブログ 論文

🚀 クイックスタート

英語の事前学習モデルをファインチューニングする方法の詳細については、このノートブックを参照してください。

💻 使用例

基本的な使用法

import torch
from transformers import Wav2Vec2Model

model = Wav2Vec2Model.from_pretrained("dragonSwing/viwav2vec2-base-3k")

# Sanity check
inputs = torch.rand([1, 16000])
outputs = model(inputs)

📄 ライセンス

このモデルはCC-BY-SA-4.0ライセンスの下で提供されています。