/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Опубликована
2 мар 2022

wav2vec2-xls-r-300m-japanese

Распознавание речиАудио → текст4 профессии

Дообученная wav2vec2-xls-r-300m распознаёт японскую речь и выводит её в хирагане и катакане.

140скачиваний за 30 дней0лайковвеса обновлены23 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.

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

Andrew McDowell дообучил wav2vec2-xls-r-300m для автоматического распознавания японской речи на наборе Mozilla Foundation Common Voice 8.0 (конфигурация ja). Модель построена на архитектуре Wav2Vec2ForCTC, содержит 402,8 млн параметров и принимает аудио, выдавая текстовые символы каны. При обучении и оценке кандзи преобразовывались в хирагану; модель может выводить хирагану и катакану.

Модель подходит для транскрибирования японской речи, в том числе записей, похожих на данные Common Voice. В README указаны CER 23,64% на Common Voice 8.0 и 30,99% на speech-recognition-community-v2/dev_data; для японского текста без пробелов CER уместнее WER. Репозиторий распространяется под лицензией Apache-2.0.

Сценарии применения

  • транскрибирование записей японской речи
  • распознавание японских аудиозаписей в стиле Common Voice
  • преобразование речи в текст с выводом каны

Ограничения

Оценка на Common Voice 8.0 составила CER 23,64%, а на speech-recognition-community-v2/dev_data — 30,99%, поэтому ошибки распознавания остаются существенными. Модель ориентирована на японский язык и в обучении преобразовывала кандзи в хирагану.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

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-300m on the MOZILLA-FOUNDATION/COMMON_VOICE_8_0 - JA dataset.

Kanji are converted into Hiragana using the pykakasi library during training and evaluation. The model can output both Hiragana and Katakana characters. Since there is no spacing, WER is not a suitable metric for evaluating performance and CER is more suitable.

On mozilla-foundation/common_voice_8_0 it achieved:

  • cer: 23.64%

On speech-recognition-community-v2/dev_data it achieved:

  • cer: 30.99%

It achieves the following results on the evaluation set:

  • Loss: 0.5212
  • Wer: 1.3068

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: 48
  • eval_batch_size: 8
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 2000
  • num_epochs: 50.0
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWer
4.09744.7210004.01781.9535
2.12769.4320000.93011.2128
1.762214.1530000.71031.5527
1.639718.8740000.67291.4269
1.546823.5850000.60871.2497
1.488528.360000.57861.3222
1.45133.0270000.57261.3768
1.391237.7480000.55181.2497
1.361742.4590000.53521.2694
1.311347.17100000.52281.2781

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-300m-japanese --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-300m-japanese --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
831b85e

0 моделей