Update README.md

README.md

@@ -1,3 +1,150 @@
----
-license: apache-2.0
----
+---
+license: apache-2.0
+---
+
+<div align="center">
+<h1>
+  星辰语音大模型-超多方言ASR
+</h1>
+</div>
+
+星辰超多方言语音识别大模型v1.0，由30w小时无标注多方言语音数据进行训练，打破单一模型只能识别特定单一方言的困境，可支持理解粤语、上海话、四川话、温州话等30多种方言
+
+
+本次发布版本和下载链接见下表
+
+| 模型版本             | 参数量  | 下载链接     |
+|---------------------|-------|---------------------|
+| pretrain_base | 0.09 B | [TeleSpeech-ASR1.0-base](https://huggingface.co/Tele-AI/TeleSpeech-ASR1.0/blob/main/base.pt)  |
+| pretrain_large | 0.3 B | [TeleSpeech-ASR1.0-large](https://huggingface.co/Tele-AI/TeleSpeech-ASR1.0/blob/main/large.pt)  |
+
+
+# 环境配置
+环境依赖
+* PyTorch version >= 1.13.0
+* Python version >= 3.8
+* 数据准备、程序训练需要使用kaldi，请确保已正确安装：https://github.com/kaldi-asr/kaldi
+  * 若已有提好的特征，程序运行时可以使用wenet开源框架中kaldi_io.py实现的方法替换kaldiio.load_mat，从而无需安装kaldi
+
+## 微调
+
+<a id="fairseq安装"></a>
+* 安装fairseq及其依赖
+```shell script
+$ git clone https://github.com/pytorch/fairseq
+$ cd fairseq
+$ pip install --editable ./
+```
+
+* 安装kaldiio
+```shell script
+$ pip install kaldiio
+```
+
+## 表征训练下游任务
+
+* 确保fairseq已正确[安装](#fairseq安装)
+
+* 安装表征训练任务运行所需依赖
+```shell script
+$ cd wenet_representation
+$ pip install -r requirements.txt
+```
+
+# 数据准备
+## 特征提取
+
+* 利用kaldi提取40维mfcc特征，参数设置参考`mfcc_hires.conf`
+* 为各数据集准备训练用文件`data.list`，以`\t`分隔：
+```
+$ cat train/data.list
+utt:X0000000000_100638174_S00037	feat:/data/raw_nnaudio.test.1.ark:2983479385	feat_shape:363,40	text:不惜在这种试验中毁灭包括自己在内的一切	token:不 惜 在 这 种 试 验 中 毁 灭 包 括 自 己 在 内 的 一 切	tokenid:[TOKENID]	token_shape:19,5537
+utt:X0000000001_100849618_S00006	feat:/data/raw_nnaudio.test.1.ark:2984296665	feat_shape:345,40	text:在他们收到足够建立大统一模型的数据后	token:在 他 们 收 到 足 够 建 立 大 统 一 模 型 的 数 据 后	tokenid:[TOKENID]	token_shape:18,5537
+...
+```
+
+## 字典准备
+
+* 微调阶段，需要准备fairseq格式的 `dict.${label}.txt`，例如
+```
+是 2
+好 3
+...
+```
+
+* 预训练模型表征训练ASR任务阶段，需要准备wenet格式的`lang_char.txt`，相比于`dict.${label}.txt`额外添加`<blank>`, `<unk>`, `<sos/eos>`3个token，例如
+```
+<blank> 0
+<unk> 1
+是 2
+好 3
+...
+<sos/eos> 5536
+```
+
+# 预训练模型微调
+
+## 微调
+* 准备`train.tsv`和`dev.tsv`，保存于同一训练目录下
+    ```
+    $ ln -s /path/to/train/data.list /path/to/train/train.tsv
+    $ ln -s /path/to/dev/data.list /path/to/train/dev.tsv
+    ```
+* 进入data2vec_dialect路径，修改`path.sh`文件中`/path/to/fairseq`为fairseq安装路径
+* 将`run_scripts/run_d2v_finetune.sh`中`/path/to/fairseq`和`/path/to/data2vec_dialect`路径替换；修改`task.data`为`.tsv`保存路径，如`task.data=/data/wenetspeech/train`
+* 执行
+    ```shell script
+    $ bash run_scripts/run_d2v_finetune.sh
+    ```
+
+## 解码
+* 同样修改`run_scripts/decode.sh`中的模型路径、测试数据路径等
+  * `dataset.gen_subset`为测试数据路径下`tsv`文件的名称，可配置多个
+* 执行
+    ```shell script
+    $ bash run_scripts/decode.sh
+    ```
+
+# 表征训练下游任务
+
+* 进入wenet_representation路径，修改`path.sh`文件中`fairseq`, `data2vec_dialect`, `wenet_representation`相关路径
+
+* 连续表征训练与解码：
+  * 配置`run_d2v.sh`中dataset相关内容，执行
+    ```shell script
+    $ bash run_d2v.sh
+    ```
+
+* 离散表征训练与解码：
+  * 首先根据`data.list`，准备离散表征对应训练文件`data.list.discrete`，修改`wenet/discrete_token/kmeans_d2v.yaml`中`model_dir`和`user_dir`，执行
+    ```
+    $ bash wenet/discrete_token/dump_feat.sh
+    ```
+  * 再配置`run_discrete.sh`中dataset相关内容，执行
+    ```
+    $ bash run_discrete.sh
+    ```
+# 开源数据集结果
+* 我们选择了多个开源中文数据集进行验证，以测试集上的字错误率 (Character Error Rate, CER) 结果作为衡量标准
+* 在Aishell-1上我们选择其Train集作为有监督数据进行训练，在Test集上统计CER
+* 在WenetSpeech上，我们分别使用100小时训练集Train_s和1000小时训练集Train_m分别作为有监督数据进行训练，在Test_Meeting测试集上统计CER
+* Babel为NIST（美国国家标准与技术研究院）举办的低资源粤语电话识别任务数据集，我们使用其提供的训练集与测试集统计CER
+* KeSpeech为中文多方言测试集，我们使用1396小时训练集作为有监督数据进行训练，选择提供的Test测试集统计CER
+
+|           | Aishell-1 | WenetSpeech*| Babel | KeSpeech |
+| ----------| -------- | ------- | ---- | ---- |
+| base_300k | 4.7  | 18.3 / 16.4 | 22.1  | 10.9 |
+| large_300k | 4.0 | 14.3 / 13.0 | 19.1  | 8.1 |
+
+*WenetSpeech中的结果为分别使用 `train_s/train_m`，在Test_Meeting上的CER
+
+# 声明与协议
+## 声明
+我们在此声明，不要使用TeleSpeech模型及其衍生模型进行任何危害国家社会安全或违法的活动。同时，我们也要求使用者不要将TeleSpeech模型用于没有安全审查和备案的互联网服务。我们希望所有使用者遵守上述原则，确保科技发展在合法合规的环境下进行。
+
+我们已经尽我们所能，来确保模型训练过程中使用的数据的合规性。然而，尽管我们已经做出了巨大的努力，但由于模型和数据的复杂性，仍有可能存在一些无法预见的问题。因此，如果由于使用TeleSpeech开源模型而导致的任何问题，包括但不限于数据安全问题、公共舆论风险，或模型被误导、滥用、传播或不当利用所带来的任何风险和问题，我们将不承担任何责任。
+
+## 协议
+社区使用TeleSpeech模型需要遵循《[TeleSpeech模型社区许可协议](./TeleSpeech模型社区许可协议.pdf)》。TeleSpeech模型支持商业用途，如果您计划将TeleSpeech模型或其衍生品用于商业目的，您需要通过以下联系邮箱 tele_ai@chinatelecom.cn，提交《TeleSpeech模型社区许可协议》要求的申请材料。审核通过后，将特此授予您一个非排他性、全球性、不可转让、不可再许可、可撤销的商用版权许可。
+
+---