使用 Hugging Face Transformers 微调 Wav2Vec2 实现英文语音识别
Hugging Face 官方发布了使用 Transformers 库微调预训练 Wav2Vec2 模型实现英文自动语音识别的端到端教程。该方案基于 Connectionist Temporal Classification（CTC）算法且不依赖外部语言模型，在仅 5 小时训练数据的 Timit 数据集上微调取得了 22.1% 的测试词错误率（WER）。
推荐理由：教程展示了无需外接语言模型的端到端语音识别微调全流程，读者可以直接迁移到自定义英文音频数据集。