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

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.