Dvoice Darija

🚀 wav2vec 2.0 with CTC/Attention trained on DVoice Darija (No LM)

本仓库提供了所有必要的工具，可通过在 DVoice 达里杰语（Darija）数据集上预训练的端到端系统，在 SpeechBrain 中执行自动语音识别。为获得更好的体验，我们建议您进一步了解 SpeechBrain。

🚀 快速开始

本 ASR 系统由两个不同但相互关联的模块组成：

• 分词器（unigram）：将单词转换为子词单元，并使用训练转录数据进行训练。
• 声学模型（wav2vec2.0 + CTC）：将预训练的 wav2vec 2.0 模型（facebook/wav2vec2-large-xlsr-53）与两个 DNN 层相结合，并在达里杰语数据集上进行微调。最终得到的声学表示将输入到 CTC 贪心解码器中。

该系统使用采样率为 16kHz（单声道）的录音进行训练。调用 transcribe_file 时，代码会根据需要自动对音频进行归一化处理（即重采样 + 单声道选择）。

📦 安装指南

首先，请使用以下命令安装 transformers 和 SpeechBrain：

pip install speechbrain transformers

请注意，我们建议您阅读 SpeechBrain 教程，进一步了解 SpeechBrain。

💻 使用示例

基础用法

以下是转录您自己的音频文件（达里杰语）的示例代码：

from speechbrain.pretrained import EncoderASR
asr_model = EncoderASR.from_hparams(source="aioxlabs/dvoice-darija", savedir="pretrained_models/asr-wav2vec2-dvoice-dar")
asr_model.transcribe_file('./the_path_to_your_audio_file')

高级用法

若要在 GPU 上进行推理，请在调用 from_hparams 方法时添加 run_opts={"device":"cuda"}：

from speechbrain.pretrained import EncoderASR
asr_model = EncoderASR.from_hparams(source="aioxlabs/dvoice-darija", savedir="pretrained_models/asr-wav2vec2-dvoice-dar", run_opts={"device":"cuda"})
asr_model.transcribe_file('./the_path_to_your_audio_file')

📚 详细文档

训练

若要从头开始训练模型，请参阅我们的 GitHub 教程 此处。

局限性

SpeechBrain 团队不保证该模型在其他数据集上的性能。

📄 许可证

本项目采用 Apache 2.0 许可证。

🔗 引用

如果您使用了 SpeechBrain，请引用以下文献：

@misc{SB2021,
    author = {Ravanelli, Mirco and Parcollet, Titouan and Rouhe, Aku and Plantinga, Peter and Rastorgueva, Elena and Lugosch, Loren and Dawalatabad, Nauman and Ju-Chieh, Chou and Heba, Abdel and Grondin, Francois and Aris, William and Liao, Chien-Feng and Cornell, Samuele and Yeh, Sung-Lin and Na, Hwidong and Gao, Yan and Fu, Szu-Wei and Subakan, Cem and De Mori, Renato and Bengio, Yoshua },
    title = {SpeechBrain},
    year = {2021},
    publisher = {GitHub},
    journal = {GitHub repository},
    howpublished = {\\\\url{https://github.com/speechbrain/speechbrain}},
  }

👥 关于相关组织和项目

关于 DVoice

DVoice 是一项社区倡议，旨在为非洲低资源语言提供数据和模型，以促进语音技术的应用。由于这些语言的数据匮乏，因此需要采用针对每种语言的特定方法来收集数据。目前使用了两种不同的方法：基于 Mozilla Common Voice 的 DVoice 平台（https://dvoice.ma 和 https://dvoice.sn），用于从社区收集真实录音；以及迁移学习技术，用于自动标注从社交媒体获取的录音。DVoice 平台目前管理着 7 种语言，包括本版本中出现的达里杰语（摩洛哥阿拉伯语方言）、沃洛夫语、曼丁哥语、塞雷尔语、富拉语、迪奥拉语和索宁克语。

在这个项目中，AIOX Labs 和 SI2M 实验室携手合作，共同打造技术的未来。

关于 AIOX Labs

AIOX-Labs 总部位于拉巴特、伦敦和巴黎，致力于运用人工智能技术满足企业的业务需求和数据项目。

• 助力企业集团发展、优化业务流程、提升客户体验。
• 业务涵盖多个领域，包括金融科技、工业、零售和消费品等。
• 提供基于坚实算法基础且可根据每个客户特定需求进行定制的数据产品。
• 团队由人工智能领域的博士和商业专家组成，拥有坚实的科学基础和国际出版物。

官网：https://www.aiox-labs.com/

关于 SI2M 实验室

信息系统、智能系统和数学建模研究实验室（SI2M）是国家统计与应用经济研究所（INSEA）的一个学术研究实验室。该实验室的研究领域包括信息系统、智能系统、人工智能、决策支持、网络与系统安全、数学建模。

官网：SI2M Laboratory

关于 SpeechBrain

SpeechBrain 是一个开源的一体化语音工具包。它设计简单、极其灵活且用户友好，在多个领域都能取得有竞争力或最先进的性能。 官网：https://speechbrain.github.io/ GitHub：https://github.com/speechbrain/speechbrain

🙏 致谢

本研究得到了摩洛哥拉巴特国家科学与技术研究中心（CNRST）提供的 HPC-MARWAN（www.marwan.ma/hpc）计算资源的支持。我们在此深表感谢。