Wav2vec2 Large 960h Lv60 Self With Wikipedia Lm

🚀 facebook/wav2vec2-large-960h-lv60-self增強版

本項目是 facebook/wav2vec2-large-960h-lv60-self 模型，並結合維基百科語言模型進行了增強。該模型能夠在語音識別任務中提供更準確、更自然的識別結果，提升語音處理的效率和質量。

🚀 快速開始

以下是使用該模型進行自動語音識別的示例代碼：

from transformers import pipeline
pipe = pipeline("automatic-speech-recognition", model="gxbag/wav2vec2-large-960h-lv60-self-with-wikipedia-lm")
output = pipe("/path/to/audio.wav", chunk_length_s=30, stride_length_s=(6, 3))
output

📦 安裝指南

文檔未提及安裝相關內容，若有安裝需求，請參考 transformers 庫的官方安裝說明。

💻 使用示例

基礎用法

from transformers import pipeline
pipe = pipeline("automatic-speech-recognition", model="gxbag/wav2vec2-large-960h-lv60-self-with-wikipedia-lm")
output = pipe("/path/to/audio.wav", chunk_length_s=30, stride_length_s=(6, 3))
output

高級用法

文檔未提及高級用法相關代碼示例，若有高級場景需求，可進一步探索模型的參數設置和功能擴展。

🔧 技術細節

數據集

使用的數據集為 wikipedia/20200501.en，包含了所有的文章。對數據進行了清洗，去除了參考文獻、外部鏈接以及括號內的所有文本，處理後的數據共有 8092546 個單詞。

語言模型

語言模型使用 KenLM 構建，是一個 5-gram 模型，其中 3-gram 及更大的單例均被修剪。構建命令如下： kenlm/build/bin/lmplz -o 5 -S 120G --vocab_estimate 8092546 --text text.txt --arpa text.arpa --prune 0 0 1

注意事項

在當前版本的 transformers 庫（此模型發佈時的版本）中，當在管道中使用步幅時，會截斷音頻的最後一部分，在本示例中為 3 秒。作為臨時解決方案，可以在音頻末尾添加 3 秒的靜音。該問題在 transformers 的 GitHub 版本中已得到修復。

⚠️ 重要提示

在當前版本的 transformers 中使用步幅會截斷音頻最後部分，可在音頻末尾添加 3 秒靜音作為臨時解決方案。

💡 使用建議

若想避免音頻截斷問題，可使用 transformers 的 GitHub 版本。