Wav2vec2 Base Vi Vlsp2020

🚀 音声自動認識モデル

このモデルは、ベトナム語の音声自動認識を行うためのもので、wav2vec2アーキテクチャを使用しています。事前学習には13,000時間のベトナム語のYouTubeオーディオ（ラベルなしデータ）を用い、250時間のラベル付きVLSP ASRデータセットで微調整されています。

🚀 クイックスタート

このモデルは、wav2vec2アーキテクチャを使用しており、16kHzのサンプリングレートの音声オーディオに対応しています。詳細な説明はこちらを参照してください。

✨ 主な機能

• wav2vec2アーキテクチャを使用した高精度な音声自動認識
• 事前学習に13,000時間のベトナム語のYouTubeオーディオを使用
• VLSP ASRデータセットでの微調整による性能向上

📦 インストール

必要なライブラリをインストールするには、以下のコマンドを実行してください。

#pytorch
#!pip install transformers==4.20.0
#!pip install https://github.com/kpu/kenlm/archive/master.zip
#!pip install pyctcdecode==0.4.0
#!pip install huggingface_hub==0.10.0

💻 使用例

基本的な使用法

#pytorch
#!pip install transformers==4.20.0
#!pip install https://github.com/kpu/kenlm/archive/master.zip
#!pip install pyctcdecode==0.4.0
#!pip install huggingface_hub==0.10.0

from transformers.file_utils import cached_path, hf_bucket_url
from importlib.machinery import SourceFileLoader
from transformers import Wav2Vec2ProcessorWithLM
from IPython.lib.display import Audio
import torchaudio
import torch

# Load model & processor
model_name = "nguyenvulebinh/wav2vec2-base-vi-vlsp2020"
model = SourceFileLoader("model", cached_path(hf_bucket_url(model_name,filename="model_handling.py"))).load_module().Wav2Vec2ForCTC.from_pretrained(model_name)
processor = Wav2Vec2ProcessorWithLM.from_pretrained(model_name)

# Load an example audio (16k)
audio, sample_rate = torchaudio.load(cached_path(hf_bucket_url(model_name, filename="t2_0000006682.wav")))
input_data = processor.feature_extractor(audio[0], sampling_rate=16000, return_tensors='pt')

# Infer
output = model(**input_data)

# Output transcript without LM
print(processor.tokenizer.decode(output.logits.argmax(dim=-1)[0].detach().cpu().numpy()))

# Output transcript with LM
print(processor.decode(output.logits.cpu().detach().numpy()[0], beam_width=100).text)

📚 ドキュメント

VLSP T1テストセットでのベンチマークWER結果

モデルパラメータのライセンス

音声自動認識モデルのパラメータは、Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)ライセンスのもと、非商用利用のみに提供されています。詳細はこちらを参照してください。

お問い合わせ

ご質問やご相談は、nguyenvulebinh@gmail.comまでお願いいたします。

📄 ライセンス

このモデルは、Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)ライセンスのもとで提供されています。