Update README.md

README.md

@@ -1,29 +1,29 @@
 ---
 license: cc-by-nc-nd-4.0
 ---
-# Vietnamese Speech-to-Text (ASR) — ZipFormer-30M-RNNT-6000h
+# 🇻🇳 Vietnamese Speech-to-Text (ASR) — ZipFormer-30M-RNNT-6000h
 
-## 🔍 Giới thiệu
-Mô hình **Speech-to-Text cho tiếng Việt** được phát triển dựa trên kiến trúc **ZipFormer** (thuộc họ Conformer cải tiến), với **chỉ 30 triệu tham số** nhưng đạt **hiệu năng vượt trội** cả về tốc độ lẫn độ chính xác.  
-Trên CPU, mô hình có thể xử lý **1 audio dài 12 giây chỉ trong 0.4 giây**, nhanh gấp nhiều lần các hệ thống STT truyền thống mà không cần GPU.
+## 🔍 Overview
+The **Vietnamese Speech-to-Text (ASR)** model is built on the **ZipFormer architecture** — an improved variant of the Conformer — featuring only **30 million parameters** yet achieving **exceptional performance** in both speed and accuracy.  
+On CPU, the model can transcribe a **12-second audio clip in just 0.4 seconds**, significantly faster than most traditional ASR systems without requiring a GPU.
 
 ---
 
-## ⚙️ Cấu trúc mô hình
-- **Kiến trúc:** ZipFormer  
-- **Số lượng tham số:** ~30M  
-- **Ngôn ngữ:** Tiếng Việt
-- **Loss Function**: RNN-Transducer Loss  
+## ⚙️ Model Architecture
+- **Architecture:** ZipFormer  
+- **Parameters:** ~30M  
+- **Language:** Vietnamese  
+- **Loss Function:** RNN-Transducer (RNNT Loss)  
 - **Framework:** PyTorch + k2  
-- **Tối ưu cho:** CPU inference tốc độ cao  
+- **Optimized for:** High-speed CPU inference  
 
 ---
 
-## 🧠 Dữ liệu huấn luyện
-Mô hình được huấn luyện với **~6000 giờ dữ liệu tiếng Việt** từ các nguồn công khai:
+## 🧠 Training Data
+The model was trained on approximately **6000 hours of high-quality Vietnamese speech** collected from various public datasets:
 
-| Bộ dữ liệu |  |  |
-|-------------|-------------|-------------|
+| Dataset |  |  |
+|----------|----------|----------|
 | VLSP2020 | VLSP2021 | VLSP2022 |
 | VLSP2023 | FPT | VIET_BUD500 |
 | VietSpeech | FLEURS | VietMed_Labeled |
@@ -31,30 +31,39 @@ Mô hình được huấn luyện với **~6000 giờ dữ liệu tiếng Việt
 
 ---
 
-## 🧪 Kết quả đánh giá
+## 🧪 Evaluation Results
 
-| **Dataset** | **ZipFormer-30M-6000h** | **ChunkFormer-110M-3000h** | **PhoWhisper-Large-1.5B-800h** | **VietASR-ZipFormer-68M-70.000h** |
-|--------------|---------------------|-----------------|----------------|----------------------------|
-| **VLSP2023-PublicTest** | **10.40** | 16.15 | 16.83 | 14.70 |
-| **VLSP2023-PublicTest** | **11.10** | 17.12 | 17.10 | 15.07 |
-| **VLSP2025-PublicTest** | **7.97** | 15.55 | 16.14 | 13.55 |
-| **VLSP2025-PublicTest** | **8.10** | 16.07 | 16.31 | 13.97 |
+| **Dataset** | **ZipFormer-30M-6000h** | **ChunkFormer-110M-3000h** | **PhoWhisper-Large-1.5B-800h** | **VietASR-ZipFormer-68M-70k h** |
+|--------------|--------------------------|-----------------------------|--------------------------------|---------------------------------|
+| **VLSP2023-PublicTest (Set 1)** | **10.40** | 16.15 | 16.83 | 14.70 |
+| **VLSP2023-PublicTest (Set 2)** | **11.10** | 17.12 | 17.10 | 15.07 |
+| **VLSP2025-PublicTest (Set 1)** | **7.97** | 15.55 | 16.14 | 13.55 |
+| **VLSP2025-PublicTest (Set 2)** | **8.10** | 16.07 | 16.31 | 13.97 |
 | **GigaSpeech2-Test** | 7.56 | 10.35 | 10.00 | **6.88** |
 
+> Lower is better (WER %)
+
+---
+
+## 🏆 Achievements
+This model architecture **won First Place** in the **Vietnamese Language Speech Processing (VLSP)** competition **2025**.  
+Comprehensive details about **training data**, **optimization strategies**, **architecture improvements**, and **evaluation methodologies** are available in the paper below:
+
+👉 [Read the full paper on Overleaf](https://www.overleaf.com/read/wjntrgchhbgv#48aa25)
+
 ---
 
-### 🏆 Thành tích Nổi Bật
-Đặc biệt, kiến trúc này đã **giành giải Nhất** cuộc thi **Vietnamese Language Speech Processing (VLSP)** năm **2025**.  
-Chi tiết về **dữ liệu được sử dụng**, **phương pháp huấn luyện**, **tối ưu hóa mô hình**, và **kết quả đánh giá chi tiết** được trình bày trong bài báo:
+## ⚡ Inference Speed
 
-👉 https://www.overleaf.com/read/wjntrgchhbgv#48aa25
+| **Device** | **Audio Length** | **Inference Time** |
+|-------------|------------------|--------------------|
+| CPU (Hugging Face Basic) | 12 seconds | **0.4 s** |
+| GPU (RTX 3090) | 12 seconds | **< 0.1 s** |
 
 ---
 
-## ⚡ Hiệu năng
-| **Thiết bị** | **Độ dài Audio** | **Thời gian Infer** |
-|---------------|------------------|----------------------|
-| CPU (Basic Hugging Face) | 12 giây | **0.4 giây** |
-| GPU (RTX 3090) | 12 giây | **<0.1 giây** |
+## 💬 Summary
+The **ZipFormer-30M-RNNT-6000h** model demonstrates that a lightweight architecture can still achieve state-of-the-art accuracy for Vietnamese ASR.  
+It is designed for **fast deployment on CPU-based systems**, making it ideal for **real-time speech recognition**, **callbots**, and **embedded speech interfaces**.
 
 ---