摘要

我们的模型在13,000小时的越南语YouTube音频（无标签数据）上进行预训练，并在16kHz采样语音音频的250小时标注数据上，使用VLSP语音识别（ASR）数据集进行微调。预训练模型采用wav2vec2架构。在微调阶段，通过连接时序分类（Connectionist Temporal Classification, CTC）算法对wav2vec2模型进行微调，该算法主要用于解决序列到序列的建模问题，广泛应用于自动语音识别（ASR）和手写识别等领域。在Vivos数据集上的实验结果表明，模型取得了6.15%的词错误率（Word Error Rate, WER）。