/ Модель

Характеристики

Параметры
403 млн
Архитектура
wav2vec2 · dense
Библиотека
transformers
Опубликована
24 мар 2023

wav2vec2-large-asr-th-2

Распознавание речиАудио → текст4 профессии

Модель Wav2Vec2 для распознавания тайской речи и преобразования аудио в текст.

21скачиваний за 30 дней0лайковвеса обновлены1 мая 2024

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

DylanonWic/wav2vec2-large-asr-th-2 — модель распознавания речи на базе архитектуры Wav2Vec2, разработанная для автоматического распознавания тайской речи. Модель содержит 402,7 млн параметров и опубликована в формате PyTorch для библиотеки Transformers. В карточке указано дообучение на датасете Common Voice, включая Common Voice 10.0.

Основной сценарий применения — преобразование тайской речи в текст. Для оценки на тестовой выборке приведены WER 32,99% и CER 3,75%. Описание не раскрывает дополнительные сценарии и ограничения качества; результат может зависеть от акустических условий и соответствия аудио обучающим данным. Лицензия в предоставленных данных не указана.

Сценарии применения

  • транскрибация аудиозаписей на тайском языке
  • распознавание тайской речи в голосовых сообщениях
  • создание текстовых субтитров для тайской речи

Ограничения

На тестовой выборке указаны WER 32,99% и CER 3,75%; точность может зависеть от условий записи и особенностей речи. Лицензия и подробные ограничения применения не приведены в доступных данных.

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

wav2vec2-large-asr-th-2

This model was find-tune from on the CommonVoice dataset. It achieves the following results on the evaluation set:

  • Loss: 0.2310
  • Wer: 32.99%
  • Cer: 3.75%

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: 1e-05
  • train_batch_size: 12
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 3
  • total_train_batch_size: 36
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 500
  • training_steps: 5000
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWerCer
0.0650.1810000.54330.32590.0891
0.07920.3620000.54530.32690.0901
0.16630.5330000.47020.32990.0908
0.79710.7140000.25130.32440.0889
0.75880.8950000.23100.31960.0878

Framework versions

  • Transformers 4.28.1
  • Pytorch 2.0.0+cu118
  • Datasets 2.12.0
  • Tokenizers 0.13.3

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
afff12b

0 моделей