KikKoh/taiwanese-s2t-romaji2zh

台語語音辨識模型（Taiwanese Speech-to-Text）

本專案旨在建立一個台語（臺灣閩南語）語音轉換成中文字的深度學習模型。資料來源為教育部《臺灣台語常用詞辭典》，提供原始詞條文字與對應發音音檔，使用者可透過此模型進行台語語音輸入並取得漢字輸出。

📦 專案目標

• —建立台語語音 ➜ 羅馬拼音 ➜ 中文文字的兩階段模型
• —利用官方資料集訓練語音辨識模型（ASR）
• —提供 Colab / Hugging Face 使用範例
• —支援自訂資料增補與語音推論

📁 資料來源與授權

本專案所使用之語音與詞條文字資料來自：

• —教育部《臺灣台語常用詞辭典》
• —官方網站：https://sutian.moe.edu.tw/
• —授權條款：創用 CC 姓名標示－禁止改作 3.0 台灣（CC BY-ND 3.0 TW） 條款說明：https://creativecommons.org/licenses/by-nd/3.0/tw/

⚠ 本專案所提供之「文字與音檔」資料未經改作，僅用於學術研究、非商業用途。 原始資料版權屬於 中華民國教育部 所有。

🧰 使用工具

• —Python 3.10+
• —PyTorch / torchaudio
• —🤗 Transformers / Datasets
• —Google Colab（訓練與推論）

📂 專案結構

taiwanese-speech-to-text/
├── app.py
├── requirements.txt
└── demo/             ← 如果模型是放在這
    └── my-wav2vec2/             ← 如果模型是放在這
        ├── config.json
        ├── model.safetensors
        ├── preprocessor_config.json
        ├── tokenizer_config.json
        ├── tokenizer.json
        └── special_tokens_map.json

🧪 訓練範例（開發中）

敬請期待，將支援：

• —教育部台語音檔轉 wav
• —使用 Wav2Vec2 / Whisper 等模型進行語音辨識
• —自訂字典、詞彙表與前處理

🤝 貢獻與聯絡

歡迎台語學習者、AI 開發者、語言研究者共同參與改進本專案。如對資料或模型使用有疑問，歡迎開 issue 討論。

📝 License

本倉庫程式碼以 MIT License 授權。 資料部分依據教育部提供之 CC BY-ND 3.0 TW 條款釋出。