Iwslt Asr Wav2vec Large 4500h

🚀 英語の自動音声認識のためのWav2Vec2大規模モデルの微調整

このプロジェクトは、英語の自動音声認識（ASR）に特化したWav2Vec2大規模モデルを微調整するものです。複数のデータセットを用いて訓練され、高精度な音声認識を実現します。

🚀 クイックスタート

このモデルを使用するには、以下のコードを参照してください。Colabでの実行も可能です。

from transformers.file_utils import cached_path, hf_bucket_url
from importlib.machinery import SourceFileLoader
from transformers import Wav2Vec2ProcessorWithLM
from IPython.lib.display import Audio
import torchaudio
import torch

# モデルとプロセッサーの読み込み
model_name = "nguyenvulebinh/iwslt-asr-wav2vec-large-4500h"
model = SourceFileLoader("model", cached_path(hf_bucket_url(model_name,filename="model_handling.py"))).load_module().Wav2Vec2ForCTC.from_pretrained(model_name)
processor = Wav2Vec2ProcessorWithLM.from_pretrained(model_name)

# サンプル音声の読み込み (16k)
audio, sample_rate = torchaudio.load(cached_path(hf_bucket_url(model_name, filename="tst_2010_sample.wav")))
input_data = processor.feature_extractor(audio[0], sampling_rate=16000, return_tensors='pt')

# 推論
output = model(**input_data)

# LMなしでの文字起こし出力
print(processor.tokenizer.decode(output.logits.argmax(dim=-1)[0].detach().cpu().numpy()))
# and of course there's teams that have a lot more tada structures and among the best are recent graduates of kindergarten

# LMありでの文字起こし出力
print(processor.decode(output.logits.cpu().detach().numpy()[0], beam_width=100).text)
# and of course there are teams that have a lot more ta da structures and among the best are recent graduates of kindergarten

✨ 主な機能

• 複数のデータセット（Common Voice、Librispeech ASR、How2など）を用いた訓練
• 言語モデル（LM）を使用した高精度な音声認識
• 非商用利用向けのライセンスで提供

📦 インストール

このモデルは、Hugging FaceのTransformersライブラリを使用しています。必要なライブラリをインストールすることで、簡単に使用できます。

📚 ドキュメント

微調整用データ

評価結果

モデルパラメータのライセンス

このASRモデルのパラメータは、Creative Commons Attribution-NonCommercial 4.0 International（CC BY-NC 4.0）ライセンスの下で、非商用利用のみに提供されています。詳細はこちらを参照してください：https://creativecommons.org/licenses/by-nc/4.0/legalcode

📄 ライセンス

このプロジェクトは、CC BY-NC 4.0ライセンスの下で提供されています。

📞 連絡先

質問やフィードバックがある場合は、nguyenvulebinh@gmail.comまでお問い合わせください。