/ Модель

Характеристики

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

wav2vec2-xls-r-300m-kk-n2

Распознавание речиАудио → текст9 профессий

Дообученная wav2vec2-модель для преобразования казахской речи в текст.

10скачиваний за 30 дней1лайквеса 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.

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

DrishtiSharma/wav2vec2-xls-r-300m-kk-n2 — модель распознавания речи, дообученная на базе facebook/wav2vec2-xls-r-300m на казахской части набора Mozilla Common Voice 8.0. Она принимает аудио и преобразует речь на казахском языке в текст; архитектура — Wav2Vec2ForCTC семейства wav2vec2, размер — 402,7 млн параметров. На тестовой оценке автор сообщает WER 0,451 и loss 0,7149. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • расшифровка записей казахской речи
  • распознавание казахской речи в аудиофайлах
  • подготовка текстовых транскриптов для казахоязычных материалов

Ограничения

На тестовой оценке Common Voice 8.0 указана WER 0,451, поэтому транскрипты могут содержать существенные ошибки. В README отмечено, что казахский язык отсутствовал в использованном наборе speech-recognition-community-v2/dev_data.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

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-300m on the MOZILLA-FOUNDATION/COMMON_VOICE_8_0 - KK dataset. It achieves the following results on the evaluation set:

  • Loss: 0.7149
  • Wer: 0.451

Evaluation Commands

  1. To evaluate on mozilla-foundation/common_voice_8_0 with test split

python eval.py --model_id DrishtiSharma/wav2vec2-xls-r-300m-kk-n2 --dataset mozilla-foundation/common_voice_8_0 --config kk --split test --log_outputs

  1. To evaluate on speech-recognition-community-v2/dev_data

Kazakh language not found in speech-recognition-community-v2/dev_data!

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.000222
  • train_batch_size: 16
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 32
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 1000
  • num_epochs: 150.0
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWer
9.67999.092003.61191.0
3.133218.184002.53521.005
1.046527.276000.61690.682
0.345236.368000.65720.607
0.257545.4410000.65270.578
0.208854.5312000.68280.551
0.15863.6214000.70740.5575
0.130972.7116000.65230.5595
0.107481.818000.72620.5415
0.08790.8920000.71990.521
0.071199.9822000.71130.523
0.0601109.0924000.68630.496
0.0451118.1826000.69980.483
0.0378127.2728000.69710.4615
0.0319136.3630000.71190.4475
0.0305145.4432000.71810.459

Framework versions

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

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
a3503fd

0 моделей