初始化项目，由ModelHub XC社区提供模型

Model: airesearch/wav2vec2-large-xlsr-53-th Source: Original Platform
2026-05-28 09:56:16 +08:00
commit 4586df8665
32 changed files with 2811 additions and 0 deletions
--- a/.gitattributes
+++ b/.gitattributes
@@ -0,0 +1,17 @@
+*.bin.* filter=lfs diff=lfs merge=lfs -text
+*.lfs.* filter=lfs diff=lfs merge=lfs -text
+*.bin filter=lfs diff=lfs merge=lfs -text
+*.h5 filter=lfs diff=lfs merge=lfs -text
+*.tflite filter=lfs diff=lfs merge=lfs -text
+*.tar.gz filter=lfs diff=lfs merge=lfs -text
+*.ot filter=lfs diff=lfs merge=lfs -text
+*.onnx filter=lfs diff=lfs merge=lfs -text
+*.arrow filter=lfs diff=lfs merge=lfs -text
+*.ftz filter=lfs diff=lfs merge=lfs -text
+*.joblib filter=lfs diff=lfs merge=lfs -text
+*.model filter=lfs diff=lfs merge=lfs -text
+*.msgpack filter=lfs diff=lfs merge=lfs -text
+*.pb filter=lfs diff=lfs merge=lfs -text
+*.pt filter=lfs diff=lfs merge=lfs -text
+*.pth filter=lfs diff=lfs merge=lfs -text
+*tfevents* filter=lfs diff=lfs merge=lfs -text
--- a/README.md
+++ b/README.md
@@ -0,0 +1,199 @@
+---
+language: th
+datasets:
+- common_voice
+tags:
+- audio
+- automatic-speech-recognition
+- hf-asr-leaderboard
+- robust-speech-event
+- speech
+- xlsr-fine-tuning
+license: cc-by-sa-4.0
+model-index:
+- name: XLS-R-53 - Thai
+  results:
+  - task:
+      name: Automatic Speech Recognition
+      type: automatic-speech-recognition
+    dataset:
+      name: Common Voice 7
+      type: mozilla-foundation/common_voice_7_0
+      args: th
+    metrics:
+    - name: Test WER
+      type: wer
+      value: 0.9524
+    - name: Test SER
+      type: ser
+      value: 1.2346
+    - name: Test CER
+      type: cer
+      value: 0.1623
+  - task:
+      name: Automatic Speech Recognition
+      type: automatic-speech-recognition
+    dataset:
+      name: Robust Speech Event - Dev Data
+      type: speech-recognition-community-v2/dev_data
+      args: sv
+    metrics:
+    - name: Test WER
+      type: wer
+      value: null
+    - name: Test SER
+      type: ser
+      value: null
+    - name: Test CER
+      type: cer
+      value: null
+---
+
+# `wav2vec2-large-xlsr-53-th`
+Finetuning `wav2vec2-large-xlsr-53` on Thai [Common Voice 7.0](https://commonvoice.mozilla.org/en/datasets)
+
+[Read more on our blog](https://medium.com/airesearch-in-th/airesearch-in-th-3c1019a99cd)
+
+We finetune [wav2vec2-large-xlsr-53](https://huggingface.co/facebook/wav2vec2-large-xlsr-53) based on [Fine-tuning Wav2Vec2 for English ASR](https://colab.research.google.com/github/patrickvonplaten/notebooks/blob/master/Fine_tuning_Wav2Vec2_for_English_ASR.ipynb) using Thai examples of [Common Voice Corpus 7.0](https://commonvoice.mozilla.org/en/datasets). The notebooks and scripts can be found in [vistec-ai/wav2vec2-large-xlsr-53-th](https://github.com/vistec-ai/wav2vec2-large-xlsr-53-th). The pretrained model and processor can be found at [airesearch/wav2vec2-large-xlsr-53-th](https://huggingface.co/airesearch/wav2vec2-large-xlsr-53-th).
+
+## `robust-speech-event`
+
+Add `syllable_tokenize`, `word_tokenize` ([PyThaiNLP](https://github.com/PyThaiNLP/pythainlp)) and [deepcut](https://github.com/rkcosmos/deepcut) tokenizers to `eval.py` from [robust-speech-event](https://github.com/huggingface/transformers/tree/master/examples/research_projects/robust-speech-event#evaluation)
+
+```
+> python eval.py --model_id ./ --dataset mozilla-foundation/common_voice_7_0 --config th --split test --log_outputs --thai_tokenizer newmm/syllable/deepcut/cer
+```
+
+### Eval results on Common Voice 7 "test":
+
+|                                 | WER PyThaiNLP 2.3.1 | WER deepcut | SER     | CER     |
+|---------------------------------|---------------------|-------------|---------|---------|
+| Only Tokenization               | 0.9524%             | 2.5316%     | 1.2346% | 0.1623% |
+| Cleaning rules and Tokenization | TBD                 | TBD         | TBD     | TBD     |
+
+
+## Usage
+
+```
+#load pretrained processor and model
+processor = Wav2Vec2Processor.from_pretrained("airesearch/wav2vec2-large-xlsr-53-th")
+model = Wav2Vec2ForCTC.from_pretrained("airesearch/wav2vec2-large-xlsr-53-th")
+
+#function to resample to 16_000
+def speech_file_to_array_fn(batch, 
+                            text_col="sentence", 
+                            fname_col="path",
+                            resampling_to=16000):
+    speech_array, sampling_rate = torchaudio.load(batch[fname_col])
+    resampler=torchaudio.transforms.Resample(sampling_rate, resampling_to)
+    batch["speech"] = resampler(speech_array)[0].numpy()
+    batch["sampling_rate"] = resampling_to
+    batch["target_text"] = batch[text_col]
+    return batch
+
+#get 2 examples as sample input
+test_dataset = test_dataset.map(speech_file_to_array_fn)
+inputs = processor(test_dataset["speech"][:2], sampling_rate=16_000, return_tensors="pt", padding=True)
+
+#infer
+with torch.no_grad():
+    logits = model(inputs.input_values,).logits
+
+predicted_ids = torch.argmax(logits, dim=-1)
+
+print("Prediction:", processor.batch_decode(predicted_ids))
+print("Reference:", test_dataset["sentence"][:2])
+
+>> Prediction: ['และ เขา ก็ สัมผัส ดีบุก', 'คุณ สามารถ รับทราบ เมื่อ ข้อความ นี้ ถูก อ่าน แล้ว']
+>> Reference: ['และเขาก็สัมผัสดีบุก', 'คุณสามารถรับทราบเมื่อข้อความนี้ถูกอ่านแล้ว']
+```
+
+## Datasets
+
+Common Voice Corpus 7.0](https://commonvoice.mozilla.org/en/datasets) contains 133 validated hours of Thai (255 total hours) at 5GB. We pre-tokenize with `pythainlp.tokenize.word_tokenize`. We preprocess the dataset using cleaning rules described in `notebooks/cv-preprocess.ipynb` by [@tann9949](https://github.com/tann9949). We then deduplicate and split as described in [ekapolc/Thai_commonvoice_split](https://github.com/ekapolc/Thai_commonvoice_split) in order to 1) avoid data leakage due to random splits after cleaning in [Common Voice Corpus 7.0](https://commonvoice.mozilla.org/en/datasets) and 2) preserve the majority of the data for the training set. The dataset loading script is `scripts/th_common_voice_70.py`. You can use this scripts together with `train_cleand.tsv`, `validation_cleaned.tsv` and `test_cleaned.tsv` to have the same splits as we do. The resulting dataset is as follows:
+
+```
+DatasetDict({
+    train: Dataset({
+        features: ['path', 'sentence'],
+        num_rows: 86586
+    })
+    test: Dataset({
+        features: ['path', 'sentence'],
+        num_rows: 2502
+    })
+    validation: Dataset({
+        features: ['path', 'sentence'],
+        num_rows: 3027
+    })
+})
+```
+
+## Training
+
+We fintuned using the following configuration on a single V100 GPU and chose the checkpoint with the lowest validation loss. The finetuning script is `scripts/wav2vec2_finetune.py`
+
+```
+# create model
+model = Wav2Vec2ForCTC.from_pretrained(
+    "facebook/wav2vec2-large-xlsr-53",
+    attention_dropout=0.1,
+    hidden_dropout=0.1,
+    feat_proj_dropout=0.0,
+    mask_time_prob=0.05,
+    layerdrop=0.1,
+    gradient_checkpointing=True,
+    ctc_loss_reduction="mean",
+    pad_token_id=processor.tokenizer.pad_token_id,
+    vocab_size=len(processor.tokenizer)
+)
+model.freeze_feature_extractor()
+training_args = TrainingArguments(
+    output_dir="../data/wav2vec2-large-xlsr-53-thai",
+    group_by_length=True,
+    per_device_train_batch_size=32,
+    gradient_accumulation_steps=1,
+    per_device_eval_batch_size=16,
+    metric_for_best_model='wer',
+    evaluation_strategy="steps",
+    eval_steps=1000,
+    logging_strategy="steps",
+    logging_steps=1000,
+    save_strategy="steps",
+    save_steps=1000,
+    num_train_epochs=100,
+    fp16=True,
+    learning_rate=1e-4,
+    warmup_steps=1000,
+    save_total_limit=3,
+    report_to="tensorboard"
+)
+```
+
+## Evaluation
+
+We benchmark on the test set using WER with words tokenized by [PyThaiNLP](https://github.com/PyThaiNLP/pythainlp) 2.3.1 and [deepcut](https://github.com/rkcosmos/deepcut), and CER. We also measure performance when spell correction using [TNC](http://www.arts.chula.ac.th/ling/tnc/) ngrams is applied. Evaluation codes can be found in `notebooks/wav2vec2_finetuning_tutorial.ipynb`. Benchmark is performed on `test-unique` split.
+
+|                                | WER PyThaiNLP 2.3.1 | WER deepcut    | CER            |
+|--------------------------------|---------------------|----------------|----------------|
+| [Kaldi from scratch](https://github.com/vistec-AI/commonvoice-th)         | 23.04              |                | 7.57         |
+| Ours without spell correction  | 13.634024          | **8.152052** | **2.813019** |
+| Ours with spell correction     | 17.996397          | 14.167975     | 5.225761     |
+| Google Web Speech API※         | 13.711234          | 10.860058     | 7.357340     |
+| Microsoft Bing Speech API※     | **12.578819**      | 9.620991     | 5.016620     |
+| Amazon Transcribe※             | 21.86334           | 14.487553     | 7.077562     |
+| NECTEC AI for Thai Partii API※ | 20.105887          | 15.515631     | 9.551027     |
+
+※ APIs are not finetuned with Common Voice 7.0 data
+
+## LICENSE
+
+[cc-by-sa 4.0](https://github.com/vistec-AI/wav2vec2-large-xlsr-53-th/blob/main/LICENSE)
+
+## Ackowledgements
+* model training and validation notebooks/scripts [@cstorm125](https://github.com/cstorm125/)
+* dataset cleaning scripts [@tann9949](https://github.com/tann9949)
+* dataset splits [@ekapolc](https://github.com/ekapolc/) and [@14mss](https://github.com/14mss)
+* running the training [@mrpeerat](https://github.com/mrpeerat)
+* spell correction [@wannaphong](https://github.com/wannaphong)
+
--- a/config.json
+++ b/config.json
@@ -0,0 +1,85 @@
+{
+  "_name_or_path": "facebook/wav2vec2-large-xlsr-53",
+  "activation_dropout": 0.0,
+  "apply_spec_augment": true,
+  "architectures": [
+    "Wav2Vec2ForCTC"
+  ],
+  "attention_dropout": 0.1,
+  "bos_token_id": 1,
+  "codevector_dim": 768,
+  "contrastive_logits_temperature": 0.1,
+  "conv_bias": true,
+  "conv_dim": [
+    512,
+    512,
+    512,
+    512,
+    512,
+    512,
+    512
+  ],
+  "conv_kernel": [
+    10,
+    3,
+    3,
+    3,
+    3,
+    2,
+    2
+  ],
+  "conv_stride": [
+    5,
+    2,
+    2,
+    2,
+    2,
+    2,
+    2
+  ],
+  "ctc_loss_reduction": "mean",
+  "ctc_zero_infinity": false,
+  "diversity_loss_weight": 0.1,
+  "do_stable_layer_norm": true,
+  "eos_token_id": 2,
+  "feat_extract_activation": "gelu",
+  "feat_extract_dropout": 0.0,
+  "feat_extract_norm": "layer",
+  "feat_proj_dropout": 0.0,
+  "feat_quantizer_dropout": 0.0,
+  "final_dropout": 0.0,
+  "gradient_checkpointing": true,
+  "hidden_act": "gelu",
+  "hidden_dropout": 0.1,
+  "hidden_size": 1024,
+  "initializer_range": 0.02,
+  "intermediate_size": 4096,
+  "layer_norm_eps": 1e-05,
+  "layerdrop": 0.1,
+  "mask_channel_length": 10,
+  "mask_channel_min_space": 1,
+  "mask_channel_other": 0.0,
+  "mask_channel_prob": 0.0,
+  "mask_channel_selection": "static",
+  "mask_feature_length": 10,
+  "mask_feature_prob": 0.0,
+  "mask_time_length": 10,
+  "mask_time_min_space": 1,
+  "mask_time_other": 0.0,
+  "mask_time_prob": 0.05,
+  "mask_time_selection": "static",
+  "model_type": "wav2vec2",
+  "num_attention_heads": 16,
+  "num_codevector_groups": 2,
+  "num_codevectors_per_group": 320,
+  "num_conv_pos_embedding_groups": 16,
+  "num_conv_pos_embeddings": 128,
+  "num_feat_extract_layers": 7,
+  "num_hidden_layers": 24,
+  "num_negatives": 100,
+  "pad_token_id": 69,
+  "proj_codevector_dim": 768,
+  "torch_dtype": "float32",
+  "transformers_version": "4.9.1",
+  "vocab_size": 70
+}
--- a/eval.py
+++ b/eval.py
@@ -0,0 +1,154 @@
+#!/usr/bin/env python3
+import argparse
+import re
+from typing import Dict
+
+from datasets import Audio, Dataset, load_dataset, load_metric
+
+from transformers import AutoFeatureExtractor, pipeline
+
+from pythainlp.tokenize import word_tokenize, syllable_tokenize
+from deepcut import tokenize as deepcut_word_tokenize
+from functools import partial
+
+
+def log_results(result: Dataset, args: Dict[str, str]):
+    """DO NOT CHANGE. This function computes and logs the result metrics."""
+
+    log_outputs = args.log_outputs
+    dataset_id = "_".join(args.dataset.split("/") + [args.config, args.split])
+
+    # load metric
+    wer = load_metric("wer")
+    cer = load_metric("cer")
+
+    # compute metrics
+    wer_result = wer.compute(references=result["target"], predictions=result["prediction"])
+    cer_result = cer.compute(references=result["target"], predictions=result["prediction"])
+
+    # print & log results
+    result_str = f"WER: {wer_result}\n" f"CER: {cer_result}"
+    print(result_str)
+
+    with open(f"robust-speech-event/{dataset_id}_eval_results_{args.thai_tokenizer}.txt", "w") as f:
+        f.write(result_str)
+
+    # log all results in text file. Possibly interesting for analysis
+    if log_outputs is not None:
+        pred_file = f"robust-speech-event/log_{dataset_id}_predictions_{args.thai_tokenizer}.txt"
+        target_file = f"robust-speech-event/log_{dataset_id}_targets_{args.thai_tokenizer}.txt"
+
+        with open(pred_file, "w") as p, open(target_file, "w") as t:
+
+            # mapping function to write output
+            def write_to_file(batch, i):
+                p.write(f"{i}" + "\n")
+                p.write(batch["prediction"] + "\n")
+                t.write(f"{i}" + "\n")
+                t.write(batch["target"] + "\n")
+
+            result.map(write_to_file, with_indices=True)
+
+
+def normalize_text(text: str, tok_func) -> str:
+    """DO ADAPT FOR YOUR USE CASE. this function normalizes the target text."""
+
+    chars_to_ignore_regex = '[,?.!\-\;\:"“%‘”<EFBFBD>—’…–]'  # noqa: W605 IMPORTANT: this should correspond to the chars that were ignored during training
+
+    text = re.sub(chars_to_ignore_regex, "", text.lower())
+
+    # In addition, we can normalize the target text, e.g. removing new lines characters etc...
+    # note that order is important here!
+    token_sequences_to_ignore = ["\n\n", "\n", "   ", "  "]
+
+    for t in token_sequences_to_ignore:
+        text = " ".join(text.split(t))
+
+    #thai tokenize
+    text = " ".join(tok_func(text))
+    
+    return text
+
+def retokenize(text:str, tok_func) -> str:
+    """tokenize and rejoin prediction outputs without cleaning"""
+    return " ".join(tok_func("".join(text.split())))
+
+
+def main(args):
+    # load dataset
+    dataset = load_dataset(args.dataset, args.config, split=args.split, use_auth_token=True)
+
+    # for testing: only process the first two examples as a test
+    dataset = dataset.select(range(10))
+
+    # load processor
+    feature_extractor = AutoFeatureExtractor.from_pretrained(args.model_id)
+    sampling_rate = feature_extractor.sampling_rate
+
+    # resample audio
+    dataset = dataset.cast_column("audio", Audio(sampling_rate=sampling_rate))
+
+    # load eval pipeline
+    asr = pipeline("automatic-speech-recognition", model=args.model_id)
+
+    #select tokenizer
+    if args.thai_tokenizer=='deepcut':
+        tok_func = deepcut_word_tokenize
+    elif args.thai_tokenizer=='newmm':
+        tok_func = word_tokenize
+    elif args.thai_tokenizer=='syllable':
+        tok_func = syllable_tokenize
+    else:
+        tok_func = lambda x: x.replace(' ','')
+    
+    # map function to decode audio
+    def map_to_pred(batch, tok_func):
+        prediction = asr(
+            batch["audio"]["array"], chunk_length_s=args.chunk_length_s, stride_length_s=args.stride_length_s
+        )
+
+        batch["prediction"] = retokenize(prediction["text"], tok_func)
+        batch["target"] = normalize_text(batch["sentence"], tok_func)
+        return batch
+
+    # run inference on all examples
+    result = dataset.map(partial(map_to_pred, tok_func=tok_func), 
+                         remove_columns=dataset.column_names)
+
+    # compute and log_results
+    # do not change function below
+    log_results(result, args)
+
+
+if __name__ == "__main__":
+    parser = argparse.ArgumentParser()
+
+    parser.add_argument(
+        "--model_id", type=str, required=True, help="Model identifier. Should be loadable with 🤗 Transformers"
+    )
+    parser.add_argument(
+        "--thai_tokenizer", type=str, default="newmm",
+        required=True, help="newmm, syllable, or deepcut; if not specified, remove all spaces (used for CER calculation)"
+    )    
+    parser.add_argument(
+        "--dataset",
+        type=str,
+        required=True,
+        help="Dataset name to evaluate the `model_id`. Should be loadable with 🤗 Datasets",
+    )
+    parser.add_argument(
+        "--config", type=str, required=True, help="Config of the dataset. *E.g.* `'en'`  for Common Voice"
+    )
+    parser.add_argument("--split", type=str, required=True, help="Split of the dataset. *E.g.* `'test'`")
+    parser.add_argument(
+        "--chunk_length_s", type=float, default=None, help="Chunk length in seconds. Defaults to 5 seconds."
+    )
+    parser.add_argument(
+        "--stride_length_s", type=float, default=None, help="Stride of the audio chunks. Defaults to 1 second."
+    )
+    parser.add_argument(
+        "--log_outputs", action="store_true", help="If defined, write outputs to log file for analysis."
+    )
+    args = parser.parse_args()
+
+    main(args)
--- a/preprocessor_config.json
+++ b/preprocessor_config.json
@@ -0,0 +1,9 @@
+{
+  "do_normalize": true,
+  "feature_extractor_type": "Wav2Vec2FeatureExtractor",
+  "feature_size": 1,
+  "padding_side": "right",
+  "padding_value": 0.0,
+  "return_attention_mask": false,
+  "sampling_rate": 16000
+}
--- a/pytorch_model.bin
+++ b/pytorch_model.bin
@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:54824f24eb41e1b095bcc1d1b735da40b344ed24e484abccfd0795d0036418b8
+size 1262210673
--- a/rng_state.pth
+++ b/rng_state.pth
@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:040892c8367ed2663b43590614fcaee20e683cc064af55f65e3baf94db0473d8
+size 15587
--- a/robust-speech-event/.ipynb_checkpoints/log_mozilla-foundation_common_voice_7_0_th_test_predictions_cer-checkpoint.txt
+++ b/robust-speech-event/.ipynb_checkpoints/log_mozilla-foundation_common_voice_7_0_th_test_predictions_cer-checkpoint.txt
@@ -0,0 +1,20 @@
+0
+เ ร า เ ร ิ ่ ม ต ้ น ด ้ ว ย ว ิ ธ ี น ี ้
+1
+ส ่ ง ใ ห ้ ต ร ง น ี ้ แ ห ล ะ โ ด โ ด ้ บ อ ก
+2
+ห น ท า ง ท ี ่ ด ี ท ี ่ ส ุ ด ไ ป ส ู ่ ค ว า ม ม ุ ่ ง ห ว ั ง ข อ ง ฉ ั น ค ื อ อ ะ ไ ร
+3
+ค ุ ณ ค ง ว ่ า ง ม า ก เ ล ย ส ิ น ะ
+4
+พ ร ุ ่ ง น ี ้ เ ข า จ ะ ม า ท ำ ถ น น ห น ้ า บ ้ า น น ะ อ า จ จ ะ เ ส ี ย ง ด ั ง ห น ่ อ ย
+5
+ฉ ั น พ ิ น ิ จ ใ น จ ิ น ต น า ก า ร ข อ ง ฉ ั น
+6
+เ ร า ม า จ า ก จ ั ง ห ว ั ด ล ะ ย อ ง
+7
+เ ค ล ว ิ น ฟ า เ ร น ไ ฮ ต ์ ห ร ื อ เ ซ ล เ ซ ี ย ส ซ ึ ่ ง เ ป ็ น ห น ่ ว ย อ ุ ณ ห ภ ู ม ิ ท ี ่ ด ี ท ี ่ ส ุ ด
+8
+แ ล ะ ม ั น ก ็ เ ป ็ น ค ว า ม จ ร ิ ง
+9
+ว ิ ธ ี ก า ร ส ร ้ า ง ช ่ อ ด อ ก ไ ม ้ ท ี ่ ก ิ น ไ ด ้
--- a/robust-speech-event/.ipynb_checkpoints/log_mozilla-foundation_common_voice_7_0_th_test_predictions_deepcut-checkpoint.txt
+++ b/robust-speech-event/.ipynb_checkpoints/log_mozilla-foundation_common_voice_7_0_th_test_predictions_deepcut-checkpoint.txt
@@ -0,0 +1,20 @@
+0
+เรา เริ่มต้น ด้วย วิธี นี้
+1
+ส่ง ให้ ตรง นี้ แหละ โดโด้ บอก
+2
+หนทาง ที่ ดี ที่สุด ไป สู่ ความ มุ่ง หวัง ของ ฉัน คือ อะไร
+3
+คุณคง ว่าง มาก เลย สิ นะ
+4
+พรุ่ง นี้ เขา จะ มา ทำ ถนน หน้า บ้าน นะ อาจ จะ เสียง ดัง หน่อย
+5
+ฉัน พินิจ ใน จินตนาการ ของ ฉัน
+6
+เรา มา จาก จังหวัดละยอง
+7
+เคลวินฟาเรนไฮต์ หรือ เซลเซียส ซึ่ง เป็น หน่วย อุณหภูมิ ที่ ดี ที่สุด
+8
+และ มัน ก็ เป็น ความ จริง
+9
+วิธี การ สร้าง ช่อ ดอก ไม้ ที่ กิน ได้
--- a/robust-speech-event/.ipynb_checkpoints/log_mozilla-foundation_common_voice_7_0_th_test_predictions_newmm-checkpoint.txt
+++ b/robust-speech-event/.ipynb_checkpoints/log_mozilla-foundation_common_voice_7_0_th_test_predictions_newmm-checkpoint.txt
@@ -0,0 +1,20 @@
+0
+เรา เริ่มต้น ด้วย วิธี นี้
+1
+ส่ง ให้ ตรง นี้แหละ โด โด้ บอก
+2
+หนทาง ที่ ดี ที่สุด ไป สู่ ความ มุ่งหวัง ของ ฉัน คือ อะไร
+3
+คุณ คง ว่าง มาก เลย สิ นะ
+4
+พรุ่งนี้ เขา จะ มา ทำ ถนน หน้าบ้าน นะ อาจจะ เสียงดัง หน่อย
+5
+ฉัน พินิจ ในจินตนาการ ของ ฉัน
+6
+เรา มาจาก จังหวัด ละ ยอง
+7
+เค ล วิน ฟา เร น ไฮ ต์ หรือ เซลเซียส ซึ่ง เป็น หน่วย อุณหภูมิ ที่ ดี ที่สุด
+8
+และ มัน ก็ เป็น ความจริง
+9
+วิธีการ สร้าง ช่อดอกไม้ ที่ กิน ได้
--- a/robust-speech-event/.ipynb_checkpoints/log_mozilla-foundation_common_voice_7_0_th_test_targets_cer-checkpoint.txt
+++ b/robust-speech-event/.ipynb_checkpoints/log_mozilla-foundation_common_voice_7_0_th_test_targets_cer-checkpoint.txt
@@ -0,0 +1,20 @@
+0
+เ ร า เ ร ิ ่ ม ต ้ น ด ้ ว ย ว ิ ธ ี น ี ้
+1
+ส ่ ง ใ ห ้ ต ร ง น ี ้ แ ห ล ะ โ ด โ ด ้ บ อ ก
+2
+ห น ท า ง ท ี ่ ด ี ท ี ่ ส ุ ด ไ ป ส ู ่ ค ว า ม ม ุ ่ ง ห ว ั ง ข อ ง ฉ ั น ค ื อ อ ะ ไ ร
+3
+ค ุ ณ ค ง ว ่ า ง ม า ก เ ล ย ส ิ น ะ
+4
+พ ร ุ ่ ง น ี ้ เ ข า จ ะ ม า ท ำ ถ น น ห น ้ า บ ้ า น น ะ อ า จ จ ะ เ ส ี ย ง ด ั ง ห น ่ อ ย
+5
+ฉ ั น พ ิ น ิ จ ใ น จ ิ น ต น า ก า ร ข อ ง ฉ ั น
+6
+เ ร า ม า จ า ก จ ั ง ห ว ั ด ร ะ ย อ ง
+7
+เ ค ล ว ิ น ฟ า เ ร น ไ ฮ ต ์ ห ร ื อ เ ซ ล เ ซ ี ย ส ซ ึ ่ ง เ ป ็ น ห น ่ ว ย อ ุ ณ ห ภ ู ม ิ ท ี ่ ด ี ท ี ่ ส ุ ด
+8
+แ ล ะ ม ั น ก ็ เ ป ็ น ค ว า ม จ ร ิ ง
+9
+ว ิ ธ ี ก า ร ส ร ้ า ง ช ่ อ ด อ ก ไ ม ้ ท ี ่ ก ิ น ไ ด ้
--- a/robust-speech-event/.ipynb_checkpoints/log_mozilla-foundation_common_voice_7_0_th_test_targets_deepcut-checkpoint.txt
+++ b/robust-speech-event/.ipynb_checkpoints/log_mozilla-foundation_common_voice_7_0_th_test_targets_deepcut-checkpoint.txt
@@ -0,0 +1,20 @@
+0
+เรา เริ่มต้น ด้วย วิธี นี้
+1
+ส่ง ให้ ตรง นี้ แหละ   โดโด้ บอก
+2
+หนทาง ที่ ดี ที่สุด ไป สู่ ความ มุ่ง หวัง ของ ฉัน คือ อะไร
+3
+คุณคง ว่าง มาก เลย สิ นะ
+4
+พรุ่ง นี้ เขา จะ มา ทำ ถนน หน้า บ้าน นะ   อาจ จะ เสียง ดัง หน่อย
+5
+ฉัน พินิจ ใน จินตนาการ ของ ฉัน
+6
+เรา มา จาก จังหวัดระยอง
+7
+เคลวินฟาเรนไฮต์ หรือ เซลเซียส ซึ่ง เป็น หน่วย อุณหภูมิ ที่ ดี ที่สุด
+8
+และ มัน ก็ เป็น ความ จริง
+9
+วิธี การ สร้าง ช่อ ดอก ไม้ ที่ กิน ได้
--- a/robust-speech-event/.ipynb_checkpoints/log_mozilla-foundation_common_voice_7_0_th_test_targets_newmm-checkpoint.txt
+++ b/robust-speech-event/.ipynb_checkpoints/log_mozilla-foundation_common_voice_7_0_th_test_targets_newmm-checkpoint.txt
@@ -0,0 +1,20 @@
+0
+เรา เริ่มต้น ด้วย วิธี นี้
+1
+ส่ง ให้ ตรง นี้แหละ   โด โด้ บอก
+2
+หนทาง ที่ ดี ที่สุด ไป สู่ ความ มุ่งหวัง ของ ฉัน คือ อะไร
+3
+คุณ คง ว่าง มาก เลย สิ นะ
+4
+พรุ่งนี้ เขา จะ มา ทำ ถนน หน้าบ้าน นะ   อาจจะ เสียงดัง หน่อย
+5
+ฉัน พินิจ ในจินตนาการ ของ ฉัน
+6
+เรา มาจาก จังหวัด ระยอง
+7
+เค ล วิน ฟา เร น ไฮ ต์ หรือ เซลเซียส ซึ่ง เป็น หน่วย อุณหภูมิ ที่ ดี ที่สุด
+8
+และ มัน ก็ เป็น ความจริง
+9
+วิธีการ สร้าง ช่อดอกไม้ ที่ กิน ได้
--- a/robust-speech-event/log_mozilla-foundation_common_voice_7_0_th_test_predictions_cer.txt
+++ b/robust-speech-event/log_mozilla-foundation_common_voice_7_0_th_test_predictions_cer.txt
@@ -0,0 +1,20 @@
+0
+เ ร า เ ร ิ ่ ม ต ้ น ด ้ ว ย ว ิ ธ ี น ี ้
+1
+ส ่ ง ใ ห ้ ต ร ง น ี ้ แ ห ล ะ โ ด โ ด ้ บ อ ก
+2
+ห น ท า ง ท ี ่ ด ี ท ี ่ ส ุ ด ไ ป ส ู ่ ค ว า ม ม ุ ่ ง ห ว ั ง ข อ ง ฉ ั น ค ื อ อ ะ ไ ร
+3
+ค ุ ณ ค ง ว ่ า ง ม า ก เ ล ย ส ิ น ะ
+4
+พ ร ุ ่ ง น ี ้ เ ข า จ ะ ม า ท ำ ถ น น ห น ้ า บ ้ า น น ะ อ า จ จ ะ เ ส ี ย ง ด ั ง ห น ่ อ ย
+5
+ฉ ั น พ ิ น ิ จ ใ น จ ิ น ต น า ก า ร ข อ ง ฉ ั น
+6
+เ ร า ม า จ า ก จ ั ง ห ว ั ด ล ะ ย อ ง
+7
+เ ค ล ว ิ น ฟ า เ ร น ไ ฮ ต ์ ห ร ื อ เ ซ ล เ ซ ี ย ส ซ ึ ่ ง เ ป ็ น ห น ่ ว ย อ ุ ณ ห ภ ู ม ิ ท ี ่ ด ี ท ี ่ ส ุ ด
+8
+แ ล ะ ม ั น ก ็ เ ป ็ น ค ว า ม จ ร ิ ง
+9
+ว ิ ธ ี ก า ร ส ร ้ า ง ช ่ อ ด อ ก ไ ม ้ ท ี ่ ก ิ น ไ ด ้
--- a/robust-speech-event/log_mozilla-foundation_common_voice_7_0_th_test_predictions_deepcut.txt
+++ b/robust-speech-event/log_mozilla-foundation_common_voice_7_0_th_test_predictions_deepcut.txt
@@ -0,0 +1,20 @@
+0
+เรา เริ่มต้น ด้วย วิธี นี้
+1
+ส่ง ให้ ตรง นี้ แหละ โดโด้ บอก
+2
+หนทาง ที่ ดี ที่สุด ไป สู่ ความ มุ่ง หวัง ของ ฉัน คือ อะไร
+3
+คุณคง ว่าง มาก เลย สิ นะ
+4
+พรุ่ง นี้ เขา จะ มา ทำ ถนน หน้า บ้าน นะ อาจ จะ เสียง ดัง หน่อย
+5
+ฉัน พินิจ ใน จินตนาการ ของ ฉัน
+6
+เรา มา จาก จังหวัดละยอง
+7
+เคลวินฟาเรนไฮต์ หรือ เซลเซียส ซึ่ง เป็น หน่วย อุณหภูมิ ที่ ดี ที่สุด
+8
+และ มัน ก็ เป็น ความ จริง
+9
+วิธี การ สร้าง ช่อ ดอก ไม้ ที่ กิน ได้
--- a/robust-speech-event/log_mozilla-foundation_common_voice_7_0_th_test_predictions_newmm.txt
+++ b/robust-speech-event/log_mozilla-foundation_common_voice_7_0_th_test_predictions_newmm.txt
@@ -0,0 +1,20 @@
+0
+เรา เริ่มต้น ด้วย วิธี นี้
+1
+ส่ง ให้ ตรง นี้แหละ โด โด้ บอก
+2
+หนทาง ที่ ดี ที่สุด ไป สู่ ความ มุ่งหวัง ของ ฉัน คือ อะไร
+3
+คุณ คง ว่าง มาก เลย สิ นะ
+4
+พรุ่งนี้ เขา จะ มา ทำ ถนน หน้าบ้าน นะ อาจจะ เสียงดัง หน่อย
+5
+ฉัน พินิจ ในจินตนาการ ของ ฉัน
+6
+เรา มาจาก จังหวัด ละ ยอง
+7
+เค ล วิน ฟา เร น ไฮ ต์ หรือ เซลเซียส ซึ่ง เป็น หน่วย อุณหภูมิ ที่ ดี ที่สุด
+8
+และ มัน ก็ เป็น ความจริง
+9
+วิธีการ สร้าง ช่อดอกไม้ ที่ กิน ได้
--- a/robust-speech-event/log_mozilla-foundation_common_voice_7_0_th_test_predictions_syllable.txt
+++ b/robust-speech-event/log_mozilla-foundation_common_voice_7_0_th_test_predictions_syllable.txt
@@ -0,0 +1,20 @@
+0
+เรา เริ่ม ต้น ด้วย วิ ธี นี้
+1
+ส่ง ให้ ตรง นี้ แหละ โด โด้ บอก
+2
+หน ทาง ที่ ดี ที่ สุด ไป สู่ ความ มุ่ง หวัง ของ ฉัน คือ อะ ไร
+3
+คุณ คง ว่าง มาก เลย สิ นะ
+4
+พรุ่ง นี้ เขา จะ มา ทำ ถนน หน้า บ้าน นะ อาจ จะ เสียง ดัง หน่อย
+5
+ฉัน พิ นิจ ใน จินต นา การ ของ ฉัน
+6
+เรา มา จาก จัง หวัด ละ ยอง
+7
+เค ล วิน ฟา เร น ไฮ ต์ หรือ เซล เซียส ซึ่ง เป็น หน่วย อุณห ภูมิ ที่ ดี ที่ สุด
+8
+และ มัน ก็ เป็น ความ จริง
+9
+วิ ธี การ สร้าง ช่อ ดอก ไม้ ที่ กิน ได้
--- a/robust-speech-event/log_mozilla-foundation_common_voice_7_0_th_test_targets_cer.txt
+++ b/robust-speech-event/log_mozilla-foundation_common_voice_7_0_th_test_targets_cer.txt
@@ -0,0 +1,20 @@
+0
+เ ร า เ ร ิ ่ ม ต ้ น ด ้ ว ย ว ิ ธ ี น ี ้
+1
+ส ่ ง ใ ห ้ ต ร ง น ี ้ แ ห ล ะ โ ด โ ด ้ บ อ ก
+2
+ห น ท า ง ท ี ่ ด ี ท ี ่ ส ุ ด ไ ป ส ู ่ ค ว า ม ม ุ ่ ง ห ว ั ง ข อ ง ฉ ั น ค ื อ อ ะ ไ ร
+3
+ค ุ ณ ค ง ว ่ า ง ม า ก เ ล ย ส ิ น ะ
+4
+พ ร ุ ่ ง น ี ้ เ ข า จ ะ ม า ท ำ ถ น น ห น ้ า บ ้ า น น ะ อ า จ จ ะ เ ส ี ย ง ด ั ง ห น ่ อ ย
+5
+ฉ ั น พ ิ น ิ จ ใ น จ ิ น ต น า ก า ร ข อ ง ฉ ั น
+6
+เ ร า ม า จ า ก จ ั ง ห ว ั ด ร ะ ย อ ง
+7
+เ ค ล ว ิ น ฟ า เ ร น ไ ฮ ต ์ ห ร ื อ เ ซ ล เ ซ ี ย ส ซ ึ ่ ง เ ป ็ น ห น ่ ว ย อ ุ ณ ห ภ ู ม ิ ท ี ่ ด ี ท ี ่ ส ุ ด
+8
+แ ล ะ ม ั น ก ็ เ ป ็ น ค ว า ม จ ร ิ ง
+9
+ว ิ ธ ี ก า ร ส ร ้ า ง ช ่ อ ด อ ก ไ ม ้ ท ี ่ ก ิ น ไ ด ้
--- a/robust-speech-event/log_mozilla-foundation_common_voice_7_0_th_test_targets_deepcut.txt
+++ b/robust-speech-event/log_mozilla-foundation_common_voice_7_0_th_test_targets_deepcut.txt
@@ -0,0 +1,20 @@
+0
+เรา เริ่มต้น ด้วย วิธี นี้
+1
+ส่ง ให้ ตรง นี้ แหละ   โดโด้ บอก
+2
+หนทาง ที่ ดี ที่สุด ไป สู่ ความ มุ่ง หวัง ของ ฉัน คือ อะไร
+3
+คุณคง ว่าง มาก เลย สิ นะ
+4
+พรุ่ง นี้ เขา จะ มา ทำ ถนน หน้า บ้าน นะ   อาจ จะ เสียง ดัง หน่อย
+5
+ฉัน พินิจ ใน จินตนาการ ของ ฉัน
+6
+เรา มา จาก จังหวัดระยอง
+7
+เคลวินฟาเรนไฮต์ หรือ เซลเซียส ซึ่ง เป็น หน่วย อุณหภูมิ ที่ ดี ที่สุด
+8
+และ มัน ก็ เป็น ความ จริง
+9
+วิธี การ สร้าง ช่อ ดอก ไม้ ที่ กิน ได้
--- a/robust-speech-event/log_mozilla-foundation_common_voice_7_0_th_test_targets_newmm.txt
+++ b/robust-speech-event/log_mozilla-foundation_common_voice_7_0_th_test_targets_newmm.txt
@@ -0,0 +1,20 @@
+0
+เรา เริ่มต้น ด้วย วิธี นี้
+1
+ส่ง ให้ ตรง นี้แหละ   โด โด้ บอก
+2
+หนทาง ที่ ดี ที่สุด ไป สู่ ความ มุ่งหวัง ของ ฉัน คือ อะไร
+3
+คุณ คง ว่าง มาก เลย สิ นะ
+4
+พรุ่งนี้ เขา จะ มา ทำ ถนน หน้าบ้าน นะ   อาจจะ เสียงดัง หน่อย
+5
+ฉัน พินิจ ในจินตนาการ ของ ฉัน
+6
+เรา มาจาก จังหวัด ระยอง
+7
+เค ล วิน ฟา เร น ไฮ ต์ หรือ เซลเซียส ซึ่ง เป็น หน่วย อุณหภูมิ ที่ ดี ที่สุด
+8
+และ มัน ก็ เป็น ความจริง
+9
+วิธีการ สร้าง ช่อดอกไม้ ที่ กิน ได้
--- a/robust-speech-event/log_mozilla-foundation_common_voice_7_0_th_test_targets_syllable.txt
+++ b/robust-speech-event/log_mozilla-foundation_common_voice_7_0_th_test_targets_syllable.txt
@@ -0,0 +1,20 @@
+0
+เรา เริ่ม ต้น ด้วย วิ ธี นี้
+1
+ส่ง ให้ ตรง นี้ แหละ   โด โด้ บอก
+2
+หน ทาง ที่ ดี ที่ สุด ไป สู่ ความ มุ่ง หวัง ของ ฉัน คือ อะ ไร
+3
+คุณ คง ว่าง มาก เลย สิ นะ
+4
+พรุ่ง นี้ เขา จะ มา ทำ ถนน หน้า บ้าน นะ   อาจ จะ เสียง ดัง หน่อย
+5
+ฉัน พิ นิจ ใน จินต นา การ ของ ฉัน
+6
+เรา มา จาก จัง หวัด ระ ยอง
+7
+เค ล วิน ฟา เร น ไฮ ต์ หรือ เซล เซียส ซึ่ง เป็น หน่วย อุณห ภูมิ ที่ ดี ที่ สุด
+8
+และ มัน ก็ เป็น ความ จริง
+9
+วิ ธี การ สร้าง ช่อ ดอก ไม้ ที่ กิน ได้
--- a/robust-speech-event/mozilla-foundation_common_voice_7_0_th_test_eval_results_cer.txt
+++ b/robust-speech-event/mozilla-foundation_common_voice_7_0_th_test_eval_results_cer.txt
@@ -0,0 +1,2 @@
+WER: 0.003194888178913738
+CER: 0.0016233766233766235
--- a/robust-speech-event/mozilla-foundation_common_voice_7_0_th_test_eval_results_deepcut.txt
+++ b/robust-speech-event/mozilla-foundation_common_voice_7_0_th_test_eval_results_deepcut.txt
@@ -0,0 +1,2 @@
+WER: 0.012345679012345678
+CER: 0.0026041666666666665
--- a/robust-speech-event/mozilla-foundation_common_voice_7_0_th_test_eval_results_newmm.txt
+++ b/robust-speech-event/mozilla-foundation_common_voice_7_0_th_test_eval_results_newmm.txt
@@ -0,0 +1,2 @@
+WER: 0.02531645569620253
+CER: 0.005235602094240838
--- a/robust-speech-event/mozilla-foundation_common_voice_7_0_th_test_eval_results_syllable.txt
+++ b/robust-speech-event/mozilla-foundation_common_voice_7_0_th_test_eval_results_syllable.txt
@@ -0,0 +1,2 @@
+WER: 0.009523809523809525
+CER: 0.0024509803921568627
--- a/scaler.pt
+++ b/scaler.pt
@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:eaad0a550aad796c00c2715fb3dd07c74e5ca1520507a15a505e4faf0123239f
+size 559
--- a/scheduler.pt
+++ b/scheduler.pt
@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:bb118fee7b3cd82205b90d8e4ffc01eee7dfb1f3f32f5210cf6b36e69150bc49
+size 623
--- a/special_tokens_map.json
+++ b/special_tokens_map.json
@@ -0,0 +1 @@
+{"bos_token": "<s>", "eos_token": "</s>", "unk_token": "[UNK]", "pad_token": "[PAD]"}
--- a/tokenizer_config.json
+++ b/tokenizer_config.json
@@ -0,0 +1 @@
+{"unk_token": "[UNK]", "bos_token": "<s>", "eos_token": "</s>", "pad_token": "[PAD]", "do_lower_case": false, "word_delimiter_token": "|", "tokenizer_class": "Wav2Vec2CTCTokenizer"}
--- a/trainer_state.json
+++ b/trainer_state.json
--- a/training_args.bin
+++ b/training_args.bin
@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:9b84fdc2b5205eb905d41c1c2102380221b9f615acfe849482ef528e3e37c723
+size 2671
--- a/vocab.json
+++ b/vocab.json
@@ -0,0 +1 @@
+{"ฑ": 0, "ๅ": 1, "ก": 2, "ง": 3, "ฒ": 4, "ะ": 5, "๊": 6, "้": 7, "ฌ": 8, "ซ": 9, "ด": 10, "ฯ": 11, "ใ": 12, "ึ": 13, "ญ": 14, "่": 15, "า": 16, "ฤ": 17, "๋": 18, "อ": 19, "ฬ": 20, "ท": 21, "โ": 22, "ภ": 23, "ย": 24, "็": 25, "ล": 26, "ุ": 27, "เ": 28, "ฮ": 29, "ฝ": 30, "ป": 31, "ี": 32, "บ": 33, "ฐ": 34, "ต": 35, "ถ": 36, "ศ": 37, "ฟ": 38, "ณ": 39, "ห": 40, "ร": 41, "พ": 43, "ฆ": 44, "ั": 45, "ค": 46, "ว": 47, "ฏ": 48, "จ": 49, "แ": 50, "ม": 51, "ฎ": 52, "ฉ": 53, "์": 54, "ษ": 55, "ำ": 56, "ผ": 57, "ข": 58, "ไ": 59, "ู": 60, "ื": 61, "น": 62, "ช": 63, "ิ": 64, "ธ": 65, "ฃ": 66, "ส": 67, "|": 42, "[UNK]": 68, "[PAD]": 69}
				`@@ -0,0 +1 @@`
				`{"bos_token": "<s>", "eos_token": "</s>", "unk_token": "[UNK]", "pad_token": "[PAD]"}`
				`@@ -0,0 +1 @@`
				`{"unk_token": "[UNK]", "bos_token": "<s>", "eos_token": "</s>", "pad_token": "[PAD]", "do_lower_case": false, "word_delimiter_token": "\|", "tokenizer_class": "Wav2Vec2CTCTokenizer"}`
				`@@ -0,0 +1 @@`
				{"ฑ": 0, "ๅ": 1, "ก": 2, "ง": 3, "ฒ": 4, "ะ": 5, "๊": 6, "้": 7, "ฌ": 8, "ซ": 9, "ด": 10, "ฯ": 11, "ใ": 12, "ึ": 13, "ญ": 14, "่": 15, "า": 16, "ฤ": 17, "๋": 18, "อ": 19, "ฬ": 20, "ท": 21, "โ": 22, "ภ": 23, "ย": 24, "็": 25, "ล": 26, "ุ": 27, "เ": 28, "ฮ": 29, "ฝ": 30, "ป": 31, "ี": 32, "บ": 33, "ฐ": 34, "ต": 35, "ถ": 36, "ศ": 37, "ฟ": 38, "ณ": 39, "ห": 40, "ร": 41, "พ": 43, "ฆ": 44, "ั": 45, "ค": 46, "ว": 47, "ฏ": 48, "จ": 49, "แ": 50, "ม": 51, "ฎ": 52, "ฉ": 53, "์": 54, "ษ": 55, "ำ": 56, "ผ": 57, "ข": 58, "ไ": 59, "ู": 60, "ื": 61, "น": 62, "ช": 63, "ิ": 64, "ธ": 65, "ฃ": 66, "ส": 67, "\|": 42, "[UNK]": 68, "[PAD]": 69}