Chinese Hubert Base

🚀 中国語音声事前学習モデル

このモデルは、10,000時間のWenetSpeech Lサブセットで事前学習されています。詳細はTencentGameMate/chinese_speech_pretrainを参照してください。

🚀 クイックスタート

このモデルは音声のみで事前学習されているため、トークナイザーを持っていません。音声認識でこのモデルを使用するには、トークナイザーを作成し、ラベル付きのテキストデータでモデルを微調整する必要があります。

必要なPythonパッケージ

transformers==4.16.2

💻 使用例

基本的な使用法

import torch
import torch.nn.functional as F
import soundfile as sf

from transformers import (
    Wav2Vec2FeatureExtractor,
    HubertModel,
)


model_path=""
wav_path=""

feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained(model_path)
model = HubertModel.from_pretrained(model_path)

# for pretrain: Wav2Vec2ForPreTraining
# model = Wav2Vec2ForPreTraining.from_pretrained(model_path)

model = model.to(device)
model = model.half()
model.eval()

wav, sr = sf.read(wav_path)
input_values = feature_extractor(wav, return_tensors="pt").input_values
input_values = input_values.half()
input_values = input_values.to(device)

with torch.no_grad():
    outputs = model(input_values)
    last_hidden_state = outputs.last_hidden_state

📄 ライセンス

このプロジェクトはMITライセンスの下で提供されています。