(click here to read the README in English)
Mae'r project yma yn darparu amgylchedd Docker sy'n hwyluso hyfforddi neu fireinio modelau acwsteg amlieithog enfawr newydd (wav2vec2) gan Facebook AI ac HuggingFace ar gyfer wireddu adnabod lleferydd Cymraeg. (gweler train/README.md)
Mae'r project hefyd yn cynnwys modd hyfforddi model iaith KenLM Cymraeg er mwyn gwella canlyniadau yn sylweddol.
Defnyddir data gan project Mozilla Common Voice ar gyfer hyfforddi ac i brofi adnabod lleferydd. Defnyddir corpws testun Cymraeg gan project OSCAR i hyfforddi'r model iaith.
Mae defnyddio'r ddau model ar y cyd ar set profi Common Voice Cymraeg, yn rhoi cyfradd gwallau o 15%
Mae'r project yn ogystal yn cynnwys modd i chi fedru darparu eich modelau arlein neu'n lleol drwy API syml, neu i darparu API gyda modelau sydd eisoes wedi eu hyfforddi gan yr Uned Technolegau Iaith ym Mhrifysgol Bangor.
Ewch i server/README.md ar rhagor o wybodaeth.
Gellir gweld enghraifft o'r modelau newydd ar waith o fewn gwefan gwasanaeth Trawsgrifiwr ar-lein (https://trawsgrifiwr.techiaith.cymru/)
Diolch i'r cwmniau, sefydliadau ac unigolion canlynol sydd wedi ein helpu i wireddu datrysiad adnabod lleferydd mor effeithiol..
- Mozilla a phawb sydd wedi cyfrannu yn hael ac yn wirfoddol drwy gwefan Common Voice, yn enwedig i Rhoslyn Prys (meddal.com) a ymgymerodd â nifer o ymgyrchoedd torfoli ar sail wirfoddol, i'r Mentrau Iaith, Cyngor Gwynedd, Llyfrgell Genedlaethol Cymru a weithiodd gyda Rhoslyn ar rai o'r ymgyrchoedd hyn, ac hefyd i Lywodraeth Cymru.
- Facebook AI am y wav2vec2 cyntaf ac yna i HuggingFace: Fine-Tune XLSR-Wav2Vec2 for low-resource ASR with 🤗 Transformers
- Parlance Speech Recognition am integreiddio CTC Decoder gyda PyTorch: (https://github.com/parlance/ctcdecode)
- KenLM : (https://github.com/kpu/kenlm)
Alexei Baevski, H. Zhou, Abdel-rahman Mohamed, and Michael Auli 2020. wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations. ArXiv, abs/2006.11477.
Rosana Ardila, Megan Branson, Kelly Davis, Michael Henretty, Michael Kohler, Josh Meyer, Reuben Morais, Lindsay Saunders, Francis M. Tyers, and Gregor Weber 2020. Common Voice: A Massively-Multilingual Speech Corpus. In LREC.
Pedro Javier Ortiz Suárez, Benoît Sagot, and Laurent Romary 2019. Asynchronous pipelines for processing huge corpora on medium to low resource infrastructures. In CMLC-7 (pp. 9 – 16). Leibniz-Institut für Deutsche Sprache.
Os defnyddiwch chi'r adnodd hwn, gofynnwn yn garedig i chi gydnabod a chyfeirio at ein gwaith. Mae cydnabyddiaeth o'r fath yn gymorth i ni sicrhau cyllid yn y dyfodol i greu rhagor o adnoddau defnyddiol i'w rhannu.
@software{dewi_bryn_jones_2021_5270295,
author = {Dewi Bryn Jones},
title = {{GitHub Repository: techiaith/docker-wav2vec2-xlsr-
ft-cy Speech recognition for Welsh with fine tuned
wav2vec2 XLSR and KenLM language models.}},
month = aug,
year = 2021,
publisher = {Zenodo},
version = {21.08},
doi = {10.5281/zenodo.5270295},
url = {https://doi.org/10.5281/zenodo.5270295}
}