Taiwan-Tongues-ASR-CE-pretrained Model v1.0

本模型為 Taiwan-Tongues-ASR-CE 專案發布的 預訓練模型 (Pretrained Model)，採用 Hugging Face transformers 原生權重格式（model.safetensors），可供使用者於台灣多語語料上繼續微調 (fine-tune)。

若只需要直接推論而不再訓練，請改用純推論模型 Taiwan-Tongues-ASR-CE（CTranslate2 / faster-whisper 格式）。

📜 訓練腳本請參考 https://github.com/adi-gov-tw/Taiwan-Tongues-ASR-CE

📌 版本資訊

📂 模型檔案結構

模型包含以下檔案：

• config.json — 模型結構與超參數設定
• model.bin — 預訓練權重
• preprocessor_config.json — 音訊前處理設定
• tokenizer.json — 分詞器設定
• vocabulary.json — 詞彙表

🛠️ 訓練方法

請參考 Taiwan-Tongues-ASR-CE 專案最新且完整訓練方法及步驟

1. 安裝依賴套件

請先安裝 Python 3.8+ 及以下套件（建議使用虛擬環境）：

pip install torch transformers datasets evaluate

2. 準備語料

依照 專案資料集格式 放置語音資料與標註檔案。

• 推薦使用 WebDataset tar 檔 (train/train-000000.tar...) 搭配 metadata，能更方便地進行流式訓練。
• 也可使用 train.tsv / test.tsv 載入，但不建議。

3. 執行訓練腳本

可直接執行 run.sh，或根據需求修改參數：

bash run.sh

主要參數說明：

• --model_name_or_path：預訓練模型名稱（如 openai/whisper-large-v3，或本模型路徑 ./）
• --corpus_data_dir：語料資料夾（如 sample_corpus）
• --dataset_config_name：資料集組合（如 train_ds_01+train_ds_02）
• --language：語言代碼（如 zh、nan、hak、en）
• 其他參數可參考 run.sh 及 train_asr.py。

4. 訓練結果

訓練完成後，模型與相關設定會儲存在 output/ 目錄：

output/
├── config.json
├── model.bin
├── preprocessor_config.json
├── tokenizer.json
├── vocabulary.json

📦 已訓練模型

• 已訓練好的國語、台語、客語、英語模型存放於 models/ 目錄，包含：

  • model.bin：模型權重
  • config.json、preprocessor_config.json、tokenizer.json、vocabulary.json

這些檔案可以直接放入 Hugging Face transformers 進行推論或微調。

🙌 貢獻與回饋

歡迎研究人員與開發者使用本模型，並透過 Issue 或 Pull Request 回饋改進。

📜 授權

本模型依照 Taiwan-Tongues-ASR-CE 專案授權條款釋出，使用者需遵守相關規範。