Wav2vec2 Large Vi Vlsp2020

🚀 越南語自動語音識別模型

本項目提供了基於wav2vec2架構的越南語自動語音識別模型，該模型在大量越南語音頻數據上進行預訓練和微調，能有效實現語音到文本的轉換，為越南語語音處理提供了強大的工具。

🚀 快速開始

你可以點擊下面的鏈接在Colab中快速體驗模型：

✨ 主要特性

• 架構先進：採用wav2vec2架構，在語音識別任務中表現出色。
• 數據豐富：在13000小時的越南語YouTube音頻（無標籤數據）上進行預訓練，並在250小時標註的VLSP ASR數據集上進行微調。
• 效果優異：在VLSP T1測試集上取得了較低的字錯率（WER）。

📦 安裝指南

在使用模型前，你需要安裝以下依賴庫：

#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

💻 使用示例

基礎用法

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-large-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)

📚 詳細文檔

模型描述

我們的模型使用wav2vec2架構，在13000小時的越南語YouTube音頻（無標籤數據）上進行預訓練，並在250小時標註的VLSP ASR數據集上進行微調，處理的語音音頻採樣率為16kHz。你可以在這裡找到更多描述。

基準測試結果

在VLSP T1測試集上的字錯率（WER）結果如下：

📄 許可證

自動語音識別（ASR）模型參數僅可用於非商業用途，遵循知識共享署名-非商業性使用4.0國際許可協議（CC BY-NC 4.0）。你可以在這裡查看詳細信息。

📞 聯繫我們

如果你有任何問題或建議，可以通過以下方式聯繫我們：

• 郵箱：nguyenvulebinh@gmail.com
• 關注Twitter：