Asr Wav2vec2 Commonvoice 14 Es

🚀 wav2vec 2.0 with CTC trained on CommonVoice Spanish (No LM)

このリポジトリは、SpeechBrain内でCommonVoice（スペイン語）で事前学習されたエンドツーエンドシステムから自動音声認識を行う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。

モデル情報

モデルの性能

🚀 クイックスタート

このモデルを使用するための基本的な手順を説明します。

📦 インストール

まず、以下のコマンドでtranformersとSpeechBrainをインストールしてください。

pip install speechbrain transformers

SpeechBrainのチュートリアルを読み、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

以下のコードは、スペイン語の音声ファイルを文字起こしする基本的な例です。

from speechbrain.inference.ASR import EncoderASR

asr_model = EncoderASR.from_hparams(source="speechbrain/asr-wav2vec2-commonvoice-14-es", savedir="pretrained_models/asr-wav2vec2-commonvoice-14-es")
asr_model.transcribe_file("speechbrain/asr-wav2vec2-commonvoice-14-es/example_es.wav")

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"}を追加します。

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ました。ゼロ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/CommonVoice/ASR/CTC/
python train_with_wav2vec.py hparams/train_es_with_wav2vec.yaml --data_folder=your_data_folder

トレーニング結果（モデル、ログなど）はここで確認できます。

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

パイプラインの説明

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。

• トークナイザー（ユニグラム）：単語をユニグラムに変換し、CommonVoice（スペイン語）のトレーニングトランスクリプション（train.tsv）でトレーニングされます。
• 音響モデル（wav2vec2.0 + CTC）：事前学習されたwav2vec 2.0モデル（wav2vec2-large-xlsr-53）が2つのDNNレイヤーと組み合わされ、CommonVoice DEでファインチューニングされます。得られた最終的な音響表現はCTCデコーダーに渡されます。

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。transcribe_fileを呼び出すと、必要に応じてオーディオが自動的に正規化されます（リサンプリング + モノチャンネル選択）。

📄 ライセンス

このモデルはApache 2.0ライセンスの下で提供されています。

About SpeechBrain

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

Citing SpeechBrain

このモデルを研究やビジネスで使用する場合は、SpeechBrainを引用してください。

@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}
}