🚀 泰语蒸馏中型Whisper自动语音识别模型

这是一款基于Whisper架构的蒸馏自动语音识别（ASR）模型，专为泰语语音识别量身定制。该模型通过从更大的教师模型中进行蒸馏，拥有4个解码器层（教师模型为24个），着重提升了性能和效率。

✨ 主要特性

• 基于Whisper架构，专为泰语语音识别设计。
• 从大型教师模型蒸馏而来，拥有4个解码器层，兼顾性能与效率。

📦 安装指南

文档未提供安装步骤，故跳过此章节。

💻 使用示例

文档未提供代码示例，故跳过此章节。

📚 详细文档

蒸馏详情

• 教师模型：中型Whisper ASR模型
• 蒸馏所用数据集：
  • Common Voice v13
  • Gowajee
  • 泰语老年人语音语料库
  • 自定义爬取数据
  • 来自 SLSCU泰语方言语料库 的泰语中部方言

模型性能

• Common Voice 13测试集上DeepCut分词后的字错率（WER）：
  • 蒸馏模型：7.58%
  • 教师模型：7.42%

使用更多蒸馏数据集或增加解码器层数可能会降低字错率，更多优化敬请期待！

预期用途

本模型适用于需要泰语语音识别的应用程序。

局限性

• 该模型专为泰语训练，对其他语言的识别效果可能不佳。
• 在不同的泰语方言和口音下，性能可能会有所差异。
• 与任何ASR系统一样，背景噪音和语音清晰度会影响识别准确率。

致谢

本模型的开发使用了语音和语言技术社区提供的资源和数据集。特别感谢Common Voice、Gowajee、SLSCU和泰语老年人语音语料库背后的团队提供的宝贵数据集。

框架版本

引用

使用Bibtex引用：

@inproceedings{aung-etal-2024-thonburian,
    title = "Thonburian Whisper: Robust Fine-tuned and Distilled Whisper for {T}hai",
    author = "Aung, Zaw Htet  and
      Thavornmongkol, Thanachot  and
      Boribalburephan, Atirut  and
      Tangsriworakan, Vittavas  and
      Pipatsrisawat, Knot  and
      Achakulvisut, Titipat",
    editor = "Abbas, Mourad  and
      Freihat, Abed Alhakim",
    booktitle = "Proceedings of the 7th International Conference on Natural Language and Speech Processing (ICNLSP 2024)",
    month = oct,
    year = "2024",
    address = "Trento",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2024.icnlsp-1.17",
    pages = "149--156",
}

📄 许可证

本模型采用MIT许可证。