挪威语新挪威语Wav2Vec2语音识别模型
nb-wav2vec2-300m-nynorsk是一个针对挪威语新挪威语的Wav2Vec2语音识别模型。该模型基于VoxRex特征提取器,使用NbAiLab/NPSC数据集进行微调,在NPSC测试集上达到了0.1222的词错误率(WER)和0.0419的字符错误率(CER)。作为Robust Speech Event项目的成果之一,模型及其训练代码已开源,为挪威自然语言处理社区提供了进一步改进自动语音识别技术的基础。
nb-wav2vec2-300m-nynorsk是一个针对挪威新挪威语的自动语音识别(ASR)模型。该模型是在瑞典国家图书馆的VoxRex模型基础上进行微调得到的。
在测试集上,该模型结合5-gram KenLM语言模型实现了以下性能:
nb-wav2vec2-300m-nynorsk是由挪威AI实验室团队在Hugging Face举办的"鲁棒语音识别挑战赛"中开发的几个Wav2Vec模型之一。该模型在新挪威语上的性能仅次于1B参数的大模型,是一个性能与规模较为均衡的选择。
模型训练使用了挪威议会语音语料库(NPSC)。该语料库被转换为Hugging Face数据集格式,成为NbAiLab/NPSC数据集,这是模型的主要训练数据来源。
模型训练利用了KBLab/wav2vec2-large-voxrex作为预训练模型,在NPSC数据集上进行了80个epoch的微调。训练采用了一系列优化策略,如梯度累积、学习率预热、LayerDrop等技术。完整的训练可能需要3-4天的GPU时间。
结果表明,即使是简单的5-gram语言模型也能显著提升ASR性能。研究人员建议可以从挪威巨型语料库中提取文本来构建语言模型。
项目团队已开源了所有开发代码,以促进挪威NLP社区开发更优秀的ASR模型。使用这些代码,研究者可以在普通GPU上一天内训练出自己的ASR系统。
nb-wav2vec2-300m-nynorsk项目为新挪威语ASR提供了一个强大的基线模型。它不仅展示了良好的识别性能,还为后续研究提供了宝贵的训练经验和开源资源,有望推动挪威语音识别技术的进一步发展。
一站式AI创作平台
提供 AI 驱动的图片、视频生成及数字人等功能,助力创意创作
AI办公助手,复杂任务高效处理
AI办公助手,复杂任务高效处理。办公效率低?扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作,覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应,生活工作无缝切换,提升50%效率!
AI数字人视频创作平台
Keevx 一款开箱即用的AI数字人视频创作平台,广泛适用于电商广告、企业培训与社媒宣传,让全球企业与个人创作者无需拍摄剪辑,就能快速生成多语言、高质量的专业视频。
AI辅助编程,代码自动修复
Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。
AI小说写作助手,一站式润色、改写、扩写
蛙蛙写作—国内先进的AI写作平台,涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能,助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工 作效率。
全能AI智能助手,随时解答生活与工作的多样问题
问小白,由元石科技研发的AI智能助手,快速准确地解答 各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。
实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士 、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。
一键生成PPT和Word,让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。
深度推理能力全新升级,全面对标OpenAI o1
科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一 个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号