🚀 语音模型

本语音模型利用Wav2vec2架构，解决了关键词识别任务中特定语音识别的问题，可精准识别语音中的齿龈搭嘴音，具有较高的准确性。

🚀 快速开始

本模型可通过transformers库使用，也可通过右侧的Hugging Face托管推理API使用。不过需要注意，不建议使用“从浏览器录制”选项，因为模型可能会错误地将用户的鼠标点击识别为语音。上传的音频文件应为1秒长，格式为“WAV”，采用16位有符号整数PCM编码。

✨ 主要特性

• 架构先进：采用Wav2vec2架构，在Superb数据集上进行训练，用于关键词识别任务。
• 针对性训练：经过微调，能够识别语音中的齿龈搭嘴音（https://en.wikipedia.org/wiki/Dental_click）。
• 准确性高：在保留的20%可用数据测试集上进行评估，准确率达到97%。

📚 详细文档

模型描述

该模型利用Wav2vec2架构，在Superb数据集上进行训练以完成关键词识别任务，并经过微调以识别语音中的齿龈搭嘴音（https://en.wikipedia.org/wiki/Dental_click）。模型在有限的语音数据（约1.5小时）上进行了10个周期的训练，且仅使用了一位说话者的数据。因此，在没有更多训练数据或严格测试的情况下，不能假定该模型对其他说话者或语言具有通用性。

模型在保留的20%可用数据测试集上进行了准确性评估，得分达到97%。

使用说明

模型可以通过transformers库或右侧的Hugging Face托管推理API使用。需要注意的是，不建议使用“从浏览器录制”选项，因为模型可能会错误地将用户的鼠标点击识别为语音。上传的音频文件应为1秒长，格式为“WAV”，采用16位有符号整数PCM编码。

注意事项

⚠️ 重要提示

由于模型仅在有限的语音数据（约1.5小时）和一位说话者的数据上进行训练，在没有更多训练数据或严格测试的情况下，不能假定该模型对其他说话者或语言具有通用性。

💡 使用建议

不建议使用“从浏览器录制”选项，上传的音频文件应为1秒长，格式为“WAV”，采用16位有符号整数PCM编码。