Stt Bm Quartznet15x5 V0

🚀 QuartzNet 15x5 CTC Bambara

stt-bm-quartznet15x5-V0 是 NVIDIA 的 stt_fr_quartznet15x5 模型的微調版本，針對班巴拉語自動語音識別進行了優化。該模型採用字符編碼方案，在標準字符集下轉錄文本。

| |

🚀 快速開始

安裝依賴

要微調或使用該模型，需安裝 NVIDIA NeMo。建議在設置好最新的 PyTorch 版本後進行安裝。

pip install nemo_toolkit['asr']

加載模型

import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.EncDecCTCModel.from_pretrained(model_name="RobotsMali/stt-bm-quartznet15x5")

轉錄音頻

# 假設你有一個名為 sample_audio.wav 的測試音頻文件
asr_model.transcribe(['sample_audio.wav'])

✨ 主要特性

• 基於 NVIDIA 的 stt_fr_quartznet15x5 模型進行微調，專為班巴拉語自動語音識別優化。
• 採用字符編碼方案，在標準字符集下轉錄文本。
• 利用 CTC（Connectionist Temporal Classification）損失進行訓練。

📦 安裝指南

要微調或使用該模型，需安裝 NVIDIA NeMo。建議在設置好最新的 PyTorch 版本後進行安裝。

pip install nemo_toolkit['asr']

💻 使用示例

基礎用法

import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.EncDecCTCModel.from_pretrained(model_name="RobotsMali/stt-bm-quartznet15x5")
# 假設你有一個名為 sample_audio.wav 的測試音頻文件
asr_model.transcribe(['sample_audio.wav'])

📚 詳細文檔

輸入

該模型接受 16 kHz 單聲道音頻（wav 文件）作為輸入。

輸出

該模型為給定的語音樣本提供轉錄後的字符串文本。

模型架構

QuartzNet 是一種卷積架構，由針對語音識別優化的 1D 時間通道可分離卷積組成。有關 QuartzNet 的更多信息，請參閱：QuartzNet Model。

訓練

使用 NeMo 工具包在 stt_fr_quartznet15x5 模型上對該模型進行了 25939 步的微調。該模型使用此 基礎配置 進行訓練。完整的訓練配置、腳本和實驗日誌可在此處獲取： 🔗 Bambara-ASR Experiments

數據集

該模型在 bam-asr-early 數據集上進行了微調，該數據集包含 37 小時的轉錄班巴拉語語音數據。該數據集主要來自 Jeli-ASR 數據集（約 87%）。

性能

自動語音識別模型的性能使用 單詞錯誤率（WER%） 來衡量。

這些是 沒有外部語言模型的貪心 WER 數值。

🔧 技術細節

QuartzNet 是一種卷積架構，由針對語音識別優化的 1D 時間通道可分離卷積組成。該模型使用 CTC（Connectionist Temporal Classification）損失進行訓練，在 stt_fr_quartznet15x5 模型基礎上進行了 25939 步的微調。更多信息可參考：QuartzNet Model。

📄 許可證

該模型根據 CC-BY-4.0 許可證發佈。使用該模型即表示您同意遵守許可證的條款。

⚠️ 重要提示

此模型及其相關資源是一項 正在進行的研究工作 的一部分，預計未來版本會有改進和優化。用戶應注意：

• 該模型可能無法在所有說話條件和方言下都有很好的泛化能力。
• 歡迎社區反饋，並鼓勵貢獻以進一步優化該模型。

更多詳細信息可在 實驗技術報告 中查看： 📄 Draft Technical Report - Weights & Biases。

如果您有任何建議或貢獻，歡迎在 Hugging Face 上展開討論，或在 GitHub 上 提交問題。