/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense

wav2vec2-xls-r-pa-IN-a1

Распознавание речиАудио → текст3 профессии

Дообученная Wav2Vec2 модель для распознавания речи на пакистанском панджаби и преобразования её в текст.

23скачиваний за 30 дней0лайковвеса обновлены5 фев 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-pa-IN-a1 — модель распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на наборе MOZILLA-FOUNDATION/COMMON_VOICE_8_0 для пакистанского варианта языка пакистанский панджаби. Это плотная архитектура Wav2Vec2ForCTC на 402,7 млн параметров; она принимает аудио и выдаёт распознанный текст. На оценочной выборке указаны loss 1,1508 и WER 0,4908.

Модель подходит для транскрибации речи на пакистанском панджаби, например записей и голосовых сообщений. Опубликована в формате PyTorch под лицензией Apache-2.0. Указанный WER свидетельствует о заметных ошибках распознавания; карточка не приводит дополнительных сведений о надёжности на других источниках аудио и в иных условиях записи.

Сценарии применения

  • транскрибация речи на пакистанском панджаби
  • распознавание пакистанского панджаби в голосовых сообщениях
  • создание текстовых расшифровок аудиозаписей на пакистанском панджаби

Ограничения

На оценочной выборке WER составляет 0,4908, то есть распознавание содержит заметное количество ошибок. Качество на аудио из других источников и в иных условиях записи не описано.

Для каких профессий подходит3

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 - PA-IN dataset. It achieves the following results on the evaluation set:

  • Loss: 1.1508
  • Wer: 0.4908

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: 0.0003
  • train_batch_size: 16
  • 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: 1500
  • num_epochs: 100.0
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWer
3.58419.265003.25140.9941
0.399218.5210000.87900.6107
0.240927.7815001.00120.6366
0.144737.0420001.01670.6276
0.110946.325001.06380.5653
0.079755.5630001.14470.5715
0.063664.8135001.15030.5316
0.046674.0740001.22270.5386
0.037283.3345001.12140.5225
0.023992.5950001.13750.4998

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
f12cae8

0 моделей