#自动语音识别

利用优化的Wav2Vec2模型，专注于印尼、爪哇和巽他语的多语言语音识别，数据来自Common Voice和TTS数据集，拥有较低字错误率并提供在线演示，工具无需语言模型，适合16kHz语音输入，帮助研究人员和开发者探索多语言识别技术。

wav2vec2-large-lv60模型经过多语言Common Voice数据集微调，实现跨语言语音与语素识别。模型在16kHz采样率的语音输入下输出语素标签，需使用语素到单词的映射字典进行转换。该方法在未见语言的转录中表现优异，超过以往单一语言模型的效果。

该模型融合FastConformer与TDT-CTC架构，专为英文语音识别而优化，支持转录标点和大写字母。以高效架构处理长达20分钟音频数据，通过NVIDIA NeMo和Suno团队训练，在多个基准数据集中表现优异。通过NeMo工具包，预训练检查点便于进行模型推理或微调。