Asr Crdnn Rnnlm Librispeech

🚀 CRDNN with CTC/Attention and RNNLM trained on LibriSpeech

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の自動音声認識システムを実行するために必要なすべてのツールを提供します。より良い体験のために、SpeechBrain についてもっと学ぶことをお勧めします。 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の自動音声認識システム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のトレーニングトランスクリプションで学習されます。
• ニューラル言語モデル（RNNLM）：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（CRDNN + CTC/Attention）：CRDNNアーキテクチャは、周波数領域で正規化とプーリングを行う畳み込みニューラルネットワークのN個のブロックで構成されています。その後、双方向LSTMが最終的なDNNに接続され、最終的な音響表現が得られ、これがCTCおよびアテンションデコーダーに与えられます。

このシステムは、16kHzでサンプリングされた録音（単チャンネル）で学習されています。コードは、必要に応じて transcribe_file を呼び出す際に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 + モノチャンネル選択）。

📦 インストール

SpeechBrainのインストール

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

私たちのチュートリアルを読み、SpeechBrain についてもっと学ぶことをお勧めします。

💻 使用例

自分のオーディオファイルを文字起こしする（英語）

from speechbrain.inference.ASR import EncoderDecoderASR

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

GPUでの推論

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で学習されています（コミットハッシュ: '2abd9f01'）。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/LibriSpeech/ASR/seq2seq/
python train.py hparams/train_BPE_1000.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。

📚 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、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

このリポジトリは、Apache 2.0ライセンスの下で公開されています。