这是基于facebook/wav2vec2-large-960h-lv60-self模型并增强维基百科语言模型的版本。

所使用的数据集为wikipedia/20200501.en。所有文章均被采用，并清除了参考文献、外部链接及括号内的全部文本内容。该数据集包含8,092,546个单词。

语言模型采用KenLM构建，是一个5-gram模型，其中所有3-gram及更大规模的单例词均被剪枝。具体构建命令如下：

kenlm/build/bin/lmplz -o 5 -S 120G --vocab_estimate 8092546 --text text.txt --arpa text.arpa --prune 0 0 1

推荐使用方式：

from transformers import pipeline
pipe = pipeline("automatic-speech-recognition", model="gxbag/wav2vec2-large-960h-lv60-self-with-wikipedia-lm")
output = pipe("/path/to/audio.wav", chunk_length_s=30, stride_length_s=(6, 3))
output

请注意：在当前版本的transformers（截至本模型发布时），使用管道步进处理时会截取音频的最后部分（本例为3秒）。临时解决方案是在音频末尾添加3秒静音。该问题已在GitHub版本的transformers中修复。