/ Модель
Каталог

Характеристики

Параметры
1,3 млрд
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Опубликована
2 мар 2022

Ссылки

Hugging Face

wav2vec2-xls-r-1b-japanese-hiragana-katakana

AndrewMcDowell
Распознавание речиАудио → текст5 профессий

Модель Wav2Vec2 для транскрипции японской речи, дообученная на Mozilla Common Voice 8.0.

225скачиваний за 30 дней3лайкавеса обновлены24 мар 2022

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

AndrewMcDowell/wav2vec2-xls-r-1b-japanese-hiragana-katakana — модель распознавания японской речи, созданная дообучением facebook/wav2vec2-xls-r-1b на японской части набора Mozilla Common Voice 8.0. Это плотная модель Wav2Vec2ForCTC с 1,3 млрд параметров, принимающая аудио и выдающая текст; карточка указывает японский язык и библиотеку Transformers с весами PyTorch.

Модель предназначена для автоматической транскрипции японской речи. В README приведены результаты на тестовой выборке: WER 1,0132 и CER 0,1609. Указана лицензия Apache-2.0. Оценка WER выше 1 означает существенные ошибки распознавания, поэтому качество следует проверять на данных целевого сценария.

Сценарии применения

  • транскрибация японской речи из аудиозаписей
  • распознавание японской речи на основе Common Voice
  • получение транскриптов на хирагане и катакане

Ограничения

На тестовой выборке Common Voice 8.0 указаны WER 1,0132 и CER 0,1609; высокая WER указывает на значительное число ошибок, поэтому качество стоит оценить на целевых аудиоданных.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.7Универсальные способностиРечь, диалоги и встречиAI помогает понимать разговорную речь, поддерживать диалог и превращать встречи в структурированные результаты.17 задач26 923моделиI.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953моделиI.9Универсальные способностиАудио и музыкаAI помогает анализировать, очищать, преобразовывать и создавать звук и музыку.15 задач4 835моделейII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

This model is a fine-tuned version of facebook/wav2vec2-xls-r-1b on the MOZILLA-FOUNDATION/COMMON_VOICE_8_0 - JA dataset. It achieves the following results on the evaluation set:

  • Loss: 0.5500
  • Wer: 1.0132
  • Cer: 0.1609

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 7.5e-05
  • train_batch_size: 32
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 128
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 1500
  • num_epochs: 50.0
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWerCer
1.701912.6510001.05100.98320.2589
1.638525.3120000.66700.99150.1851
1.434437.9730000.61831.02130.1797

Framework versions

  • Transformers 4.17.0.dev0
  • Pytorch 1.10.2+cu102
  • Datasets 1.18.2.dev0
  • Tokenizers 0.11.0

Evaluation Commands

  1. To evaluate on mozilla-foundation/common_voice_8_0 with split test
python ./eval.py --model_id AndrewMcDowell/wav2vec2-xls-r-1b-japanese-hiragana-katakana --dataset mozilla-foundation/common_voice_8_0 --config ja --split test --log_outputs
  1. To evaluate on mozilla-foundation/common_voice_8_0 with split test
python ./eval.py --model_id AndrewMcDowell/wav2vec2-xls-r-1b-japanese-hiragana-katakana --dataset speech-recognition-community-v2/dev_data --config de --split validation --chunk_length_s 5.0 --stride_length_s 1.0

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
a985092

0 моделей

    Создать бенчмарк