🤗 Hugging Face • 🐾 gitee️
星辰超多方言语音识别大模型v1.0，由30w小时无标注多方言语音数据进行训练，打破单一模型只能识别特定单一方言的困境，可支持理解粤语、上海话、四川话、温州话等30多种方言
本次发布版本和下载链接见下表
| 模型版本 | 参数量 | 下载链接 |
|---|---|---|
| pretrain_base | 0.09 B | TeleSpeech-ASR1.0-base |
| pretrain_large | 0.3 B | TeleSpeech-ASR1.0-large |
环境依赖
- PyTorch version >= 1.13.0
- Python version >= 3.8
- 数据准备、程序训练需要使用kaldi，请确保已正确安装：https://github.com/kaldi-asr/kaldi
- 若已有提好的特征，程序运行时可以使用wenet开源框架中kaldi_io.py实现的方法替换kaldiio.load_mat，从而无需安装kaldi
- 安装fairseq及其依赖
$ git clone https://github.com/pytorch/fairseq
$ cd fairseq
$ pip install --editable ./- 安装kaldiio
$ pip install kaldiio-
确保fairseq已正确安装
-
安装表征训练任务运行所需依赖
$ cd wenet_representation
$ pip install -r requirements.txt- 利用kaldi提取40维mfcc特征，参数设置参考
mfcc_hires.conf - 为各数据集准备训练用文件
data.list，以\t分隔：
$ cat train/data.list
utt:X0000000000_100638174_S00037 feat:/data/raw_nnaudio.test.1.ark:2983479385 feat_shape:363,40 text:不惜在这种试验中毁灭包括自己在内的一切 token:不 惜 在 这 种 试 验 中 毁 灭 包 括 自 己 在 内 的 一 切 tokenid:[TOKENID] token_shape:19,5537
utt:X0000000001_100849618_S00006 feat:/data/raw_nnaudio.test.1.ark:2984296665 feat_shape:345,40 text:在他们收到足够建立大统一模型的数据后 token:在 他 们 收 到 足 够 建 立 大 统 一 模 型 的 数 据 后 tokenid:[TOKENID] token_shape:18,5537
...
- 微调阶段，需要准备fairseq格式的
dict.${label}.txt，${label}为建模单元类型，如ltr, bpe等。以dict.ltr.txt为例：
是 2
好 3
...
- 预训练模型表征训练ASR任务阶段，需要准备wenet格式的
lang_char.txt，相比于dict.${label}.txt额外添加<blank>,<unk>,<sos/eos>3个token，例如
<blank> 0
<unk> 1
是 2
好 3
...
<sos/eos> 5536
- 准备
train.tsv和dev.tsv，保存于同一训练目录下$ ln -s /path/to/train/data.list /path/to/train/train.tsv $ ln -s /path/to/dev/data.list /path/to/train/dev.tsv - 进入data2vec_dialect路径，修改
path.sh文件中/path/to/fairseq为fairseq安装路径 - 将
run_scripts/run_d2v_finetune.sh中/path/to/fairseq和/path/to/data2vec_dialect路径替换 - 修改
task.data为.tsv保存路径，如task.data=/data/wenetspeech/train - 执行
$ bash run_scripts/run_d2v_finetune.sh
- 同样修改
run_scripts/decode.sh中的模型路径、测试数据路径等dataset.gen_subset为测试数据路径下tsv文件的名称，可配置多个
- 执行
$ bash run_scripts/decode.sh
-
进入wenet_representation路径，修改
path.sh文件中fairseq,data2vec_dialect,wenet_representation相关路径 -
连续表征训练与解码：
- 配置
run_d2v.sh中dataset相关内容，执行$ bash run_d2v.sh
- 配置
-
离散表征训练与解码：
- 首先根据
data.list，准备离散表征对应训练文件data.list.discrete，修改wenet/discrete_token/kmeans_d2v.yaml中model_dir和user_dir，执行$ bash wenet/discrete_token/dump_feat.sh - 再配置
run_discrete.sh中dataset相关内容，执行$ bash run_discrete.sh
- 首先根据
- 我们选择了多个开源中文数据集进行验证，以测试集上的字错误率 (Character Error Rate, CER) 结果作为衡量标准
- 在Aishell-1上我们选择其Train集作为有监督数据进行训练，在Test集上统计CER
- 在WenetSpeech上，我们分别使用100小时训练集Train_s和1000小时训练集Train_m分别作为有监督数据进行训练，在Test_Meeting测试集上统计CER
- Babel为NIST（美国国家标准与技术研究院）举办的低资源粤语电话识别任务数据集，我们使用其提供的训练集与测试集统计CER
- KeSpeech为中文多方言测试集，我们使用1396小时训练集作为有监督数据进行训练，选择提供的Test测试集统计CER
| 模型版本 | Aishell-1 | WenetSpeech* | Babel | KeSpeech |
|---|---|---|---|---|
| pretrain_base | 4.7 | 18.3 / 16.4 | 22.1 | 10.9 |
| pretrain_large | 4.0 | 14.3 / 13.0 | 19.1 | 8.1 |
*WenetSpeech中的结果为分别使用 train_s/train_m训练后，在Test_Meeting上的CER
我们在此声明，不要使用TeleSpeech模型及其衍生模型进行任何危害国家社会安全或违法的活动。同时，我们也要求使用者不要将TeleSpeech模型用于没有安全审查和备案的互联网服务。我们希望所有使用者遵守上述原则，确保科技发展在合法合规的环境下进行。
我们已经尽我们所能，来确保模型训练过程中使用的数据的合规性。然而，尽管我们已经做出了巨大的努力，但由于模型和数据的复杂性，仍有可能存在一些无法预见的问题。因此，如果由于使用TeleSpeech开源模型而导致的任何问题，包括但不限于数据安全问题、公共舆论风险，或模型被误导、滥用、传播或不当利用所带来的任何风险和问题，我们将不承担任何责任。
社区使用TeleSpeech模型需要遵循《TeleSpeech模型社区许可协议》。TeleSpeech模型支持商业用途，如果您计划将TeleSpeech模型或其衍生品用于商业目的，您需要通过以下联系邮箱 [email protected]，提交《TeleSpeech模型社区许可协议》要求的申请材料。审核通过后，将特此授予您一个非排他性、全球性、不可转让、不可再许可、可撤销的商用版权许可。