在 Hugging Face Transformers 中微调 Wav2Vec2 英文语音识别模型教程

Hugging Face 发布了在 Transformers 中微调 Wav2Vec2 预训练模型用于英文语音识别的完整教程。指南以 5 小时训练数据的 Timit 数据集为例，在不接入外部语言模型的情况下结合 CTC 算法训练端到端声学模型，实现了 22.1% 的词错误率。文章涵盖了词表构建、音频特征提取、动态批填充以及将检查点推送到 Hub 的完整代码实现。