Asr Transformer Aishell

🚀 AISHELL用Transformer (中国語 北京語)

このリポジトリは、SpeechBrain内でAISHELL（中国語 北京語）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についてもっと学ぶことをおすすめします。

このモデルの性能は以下の通りです。

🚀 クイックスタート

このASRシステムは、2つの異なるが関連するブロックで構成されています。

• 単語をサブワードユニットに変換するトークナイザー（ユニグラム）で、LibriSpeechのトレーニング用の文字起こしデータを使って学習されます。
• 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結合デコーダで構成される音響モデル。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。

このシステムを最初から学習するには、SpeechBrainのレシピを参照してください。

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）で学習されています。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）。

✨ 主な機能

• エンドツーエンドの自動音声認識システムを提供
• 事前学習済みモデルを使用した簡単な音声認識
• 音声データの自動正規化

📦 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

SpeechBrainのチュートリアルを読み、もっと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-aishell", savedir="pretrained_models/asr-transformer-aishell")
asr_model.transcribe_file("speechbrain/asr-transformer-aishell/example_mandarin2.flac")

高度な使用法

GPUで推論を行うには、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。

バッチで並列推論を行う方法については、このColabノートブックを参照してください。

📚 ドキュメント

学習

このモデルはSpeechBrain（コミットハッシュ: '986a2175'）を使って学習されました。最初から学習するには、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. 学習を実行します。

cd recipes/AISHELL-1/ASR/transformer/
python train.py hparams/train_ASR_transformer.yaml --data_folder=your_data_folder

学習結果（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性能について一切保証しません。

📄 ライセンス

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

🔧 技術詳細

このASRシステムは、トークナイザー（ユニグラム）と音響モデル（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の結合デコーダ）で構成されています。トークナイザーは、LibriSpeechのトレーニング用の文字起こしデータを使って学習され、音響モデルはAISHELLデータセットで事前学習されています。

参考情報

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

引用

このツールを研究やビジネスで使用する場合は、以下のように引用してください。

@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}
}