Asr Transformer Transformerlm Librispeech

🚀 LibriSpeech用Transformer (Transformer LM付き)

このリポジトリは、SpeechBrain内でLibriSpeech (EN) で事前学習されたエンドツーエンドシステムを使用して自動音声認識を実行するために必要なすべてのツールを提供します。より良い体験を得るために、SpeechBrain の詳細を学ぶことをおすすめします。 このモデルのパフォーマンスは以下の通りです。

🚀 クイックスタート

このリポジトリは、SpeechBrain内でLibriSpeech (EN) で事前学習されたエンドツーエンドシステムを使用して自動音声認識を実行するために必要なすべてのツールを提供します。

✨ 主な機能

このASRシステムは、3つの異なるが関連するブロックで構成されています。

• トークナイザー（ユニグラム）：単語をサブワード単位に変換し、LibriSpeechのトレーニング用の文字起こしデータで学習されます。
• ニューラル言語モデル（Transformer LM）：1000万語の完全なデータセットで学習されます。
• 音響モデル：トランスフォーマーエンコーダと、CTC + トランスフォーマーを備えたジョイントデコーダで構成されています。したがって、デコードにはCTCの確率も組み込まれています。

このシステムは、16kHzでサンプリングされた録音（単一チャンネル）でトレーニングされています。コードは、transcribe_file を呼び出す際に必要に応じて自動的にオーディオを正規化します（すなわち、リサンプリング + モノラルチャンネル選択）。

📦 インストール

まず、以下のコマンドでSpeechBrainをインストールしてください。

pip install speechbrain

当社のチュートリアルを読み、SpeechBrain の詳細を学ぶことをおすすめします。

💻 使用例

基本的な使用法

from speechbrain.inference.ASR import EncoderDecoderASR

asr_model = EncoderDecoderASR.from_hparams(source="speechbrain/asr-transformer-transformerlm-librispeech", savedir="pretrained_models/asr-transformer-transformerlm-librispeech")
asr_model.transcribe_file("speechbrain/asr-transformer-transformerlm-librispeech/example.wav")

高度な使用法

GPUで推論を実行するには、from_hparams メソッドを呼び出す際に run_opts={"device":"cuda"} を追加してください。

バッチでの並列推論

事前学習済みモデルを使用して入力文のバッチを並列に文字起こしする方法については、このColabノートブック を参照してください。

トレーニング

このモデルはSpeechBrainでトレーニングされています（コミットハッシュ: 'f73fcc35'）。最初からトレーニングするには、以下の手順に従ってください。

1. SpeechBrainをクローンします。

git clone https://github.com/speechbrain/speechbrain/

2. インストールします。

cd speechbrain
pip install -r requirements.txt
pip install -e .

3. トレーニングを実行します。

cd recipes/LibriSpeech/ASR/transformer
python train.py hparams/transformer.yaml --data_folder=your_data_folder

トレーニング結果（モデル、ログなど）は、こちら で確認できます。

制限事項

SpeechBrainチームは、このモデルを他のデータセットで使用した場合のパフォーマンスについて、一切の保証を提供しません。

📚 ドキュメント

SpeechBrainについて

• ウェブサイト: https://speechbrain.github.io/
• コード: https://github.com/speechbrain/speechbrain/
• HuggingFace: https://huggingface.co/speechbrain/

SpeechBrainを引用する場合

研究やビジネスでSpeechBrainを使用する場合は、必ず引用してください。

@misc{speechbrain,
  title={{SpeechBrain}: A General-Purpose Speech Toolkit},
  author={Mirco Ravanelli and Titouan Parcollet and Peter Plantinga and Aku Rouhe and Samuele Cornell and Loren Lugosch and Cem Subakan and Nauman Dawalatabad and Abdelwahab Heba and Jianyuan Zhong and Ju-Chieh Chou and Sung-Lin Yeh and Szu-Wei Fu and Chien-Feng Liao and Elena Rastorgueva and François Grondin and William Aris and Hwidong Na and Yan Gao and Renato De Mori and Yoshua Bengio},
  year={2021},
  eprint={2106.04624},
  archivePrefix={arXiv},
  primaryClass={eess.AS},
  note={arXiv:2106.04624}
}

📄 ライセンス

このプロジェクトは、Apache-2.0ライセンスの下でライセンスされています。