Wav2vec2 Large Vi Vlsp2020

🚀 越南语自动语音识别模型

本项目提供了基于wav2vec2架构的越南语自动语音识别模型，该模型在大量越南语音频数据上进行预训练和微调，能有效实现语音到文本的转换，为越南语语音处理提供了强大的工具。

🚀 快速开始

你可以点击下面的链接在Colab中快速体验模型：

✨ 主要特性

• 架构先进：采用wav2vec2架构，在语音识别任务中表现出色。
• 数据丰富：在13000小时的越南语YouTube音频（无标签数据）上进行预训练，并在250小时标注的VLSP ASR数据集上进行微调。
• 效果优异：在VLSP T1测试集上取得了较低的字错率（WER）。

📦 安装指南

在使用模型前，你需要安装以下依赖库：

#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

基础用法

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)

📚 详细文档

模型描述

我们的模型使用wav2vec2架构，在13000小时的越南语YouTube音频（无标签数据）上进行预训练，并在250小时标注的VLSP ASR数据集上进行微调，处理的语音音频采样率为16kHz。你可以在这里找到更多描述。

基准测试结果

在VLSP T1测试集上的字错率（WER）结果如下：

📄 许可证

自动语音识别（ASR）模型参数仅可用于非商业用途，遵循知识共享署名-非商业性使用4.0国际许可协议（CC BY-NC 4.0）。你可以在这里查看详细信息。

📞 联系我们

如果你有任何问题或建议，可以通过以下方式联系我们：

• 邮箱：nguyenvulebinh@gmail.com
• 关注Twitter：