wav2vec2-large-xlsr-53-th-cv8-newmm

wav2vec2-large-xlsr-53-th-cv8-newmm

基于wav2vec2的泰语语音识别模型整合CommonVoice V8数据集实现性能突破

这是一个针对泰语的开源语音识别模型,通过微调wav2vec2-large-xlsr-53并整合CommonVoice V8数据集实现。模型采用pythainlp进行预分词,结合语言模型显著提升性能。在CommonVoice V8测试集上,模型实现12.58%的词错率和3.28%的字符错率,较基准模型大幅提升。该项目代表了当前泰语语音识别领域的先进水平。

Wav2Vec2语音转文本机器学习模型泰语语音识别模型Github开源项目Huggingface

项目概述

这是一个名为"wav2vec2-large-xlsr-53-th-cv8-newmm"的泰语语音识别模型项目。该项目基于Facebook的wav2vec2-large-xlsr-53模型,使用CommonVoice V8数据集进行了微调,旨在提高泰语语音识别的准确性。

主要特点

  1. 使用最新的CommonVoice V8数据集进行训练,相比前一版本增加了新数据
  2. 采用pythainlp库的word_tokenize进行预分词处理
  3. 结合语言模型进一步提升识别效果
  4. 在多个测试集上取得了优秀的识别结果

数据集

该项目使用了CommonVoice V8数据集,这是一个公开的多语言语音数据集。研究人员将V8版本的新数据添加到了V7版本中,并使用特定脚本对数据进行了划分。

模型训练

研究人员基于Facebook的wav2vec2-large-xlsr-53模型进行了微调。训练过程中修复了之前版本存在的一些bug,提高了训练的稳定性和效果。

评估结果

在CommonVoice V8和V7的测试集上,该模型都取得了优秀的识别效果:

  • 在V8测试集上,结合语言模型后的WER(词错误率)为12.58%,CER(字错误率)为3.28%
  • 在V7测试集上,结合语言模型后的WER为9.56%,CER为2.28%

这些结果均优于之前的baseline模型。

项目意义

该项目为泰语语音识别提供了一个高性能的开源模型,可以应用于各种语音交互场景。同时也为其他低资源语言的语音识别研究提供了有价值的参考。

开源共享

项目采用Apache-2.0开源协议,相关代码和数据集均已在GitHub上公开。研究人员还发布了技术报告,详细介绍了模型的训练过程和评估结果。

This project demonstrates the potential of applying advanced speech recognition techniques to low-resource languages like Thai, contributing to the development of language technologies for a wider range of communities.

编辑推荐精选

Keevx

Keevx

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。

即梦AI

即梦AI

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

扣子-AI办公

扣子-AI办公

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!

TRAE编程

TRAE编程

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工具TraeAI IDE协作生产力转型热门
蛙蛙写作

蛙蛙写作

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。

AI辅助写作AI工具蛙蛙写作AI写作工具学术助手办公助手营销助手AI助手
问小白

问小白

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。

热门AI助手AI对话AI工具聊天机器人
Transly

Transly

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。

讯飞智文

讯飞智文

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。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

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。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

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。

下拉加载更多