Base 10k 8khz Pt

🚀 Wav2vec 2.0 用於 8kHz 葡萄牙語

本項目是一個基於 facebook/wav2vec2-base-10k-voxpopuli 微調的模型，旨在處理 8kHz 葡萄牙語語音數據。該模型利用了多個數據集進行微調，為葡萄牙語的自動語音識別任務提供了強大的支持。

✨ 主要特性

• 多數據集微調：使用了多個不同的數據集進行微調，包括 CETUC、Common Voice 7.0、Lapsbm 等，確保模型在不同場景和語音特徵下都有良好的表現。
• 廣泛的應用場景：適用於音頻、語音處理等領域，可用於自動語音識別等任務。

📦 安裝指南

原文檔未提供安裝步驟，此章節跳過。

💻 使用示例

原文檔未提供代碼示例，此章節跳過。

📚 詳細文檔

微調模型使用的數據集

• CETUC：包含約 145 小時的巴西葡萄牙語語音，分佈在 50 名男性和 50 名女性說話者中，每人朗讀約 1000 個從 CETEN - Folha 語料庫中選出的語音平衡句子。
• Common Voice 7.0：由 Mozilla 基金會發起的項目，旨在創建多種語言的開放數據集。在該項目中，志願者通過官方網站捐贈和驗證語音數據。
• Lapsbm：“Falabrasil - UFPA” 是 Fala Brasil 團隊用於巴西葡萄牙語自動語音識別系統基準測試的數據集。包含 35 名說話者（10 名女性），每人朗讀 20 個獨特的句子，總計 700 條巴西葡萄牙語語音。音頻在 22.05 kHz 下錄製，未進行環境控制。
• Multilingual Librispeech (MLS)：一個多語言的大規模數據集。MLS 基於 LibriVox 等公共領域的有聲讀物錄音。該數據集包含多種語言的總計 6000 小時轉錄數據。本項目中使用的葡萄牙語數據集（主要是巴西變體）約有 284 小時的語音，來自 62 名說話者朗讀的 55 本有聲讀物。
• Multilingual TEDx：一個包含 8 種源語言的 TEDx 演講音頻記錄集合。葡萄牙語數據集（主要是巴西葡萄牙語變體）包含 164 小時的轉錄語音。
• Sidney (SID)：包含 72 名說話者（20 名女性）錄製的 5777 條語音，說話者年齡從 17 歲到 59 歲，記錄了出生地、年齡、性別、教育程度和職業等信息。
• VoxForge：一個旨在構建聲學模型開放數據集的項目。語料庫包含約 100 名說話者和 4130 條巴西葡萄牙語語音，採樣率從 16kHz 到 44.1kHz 不等。
• VoxPopuli |

🔧 技術細節

原文檔未提供具體的技術實現細節，此章節跳過。

📄 許可證

本項目採用 Apache - 2.0 許可證。