/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Опубликована
29 янв 2024

wav2vec2-large-fi-lp-cont-pt-1500h

Распознавание речиАудио → текст6 профессий

Модель Wav2Vec2 Large для транскрибации разговорной финской речи в текст.

226скачиваний за 30 дней1лайквеса обновлены13 сен 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

GetmanY1/wav2vec2-large-fi-lp-cont-pt-1500h — модель распознавания речи на основе Wav2Vec2 Large, дообученная Ярославом Гетманом и Тамасом Гросом на 1500 часах разговорной финской речи из корпуса Lahjoita puhetta (Donate Speech). Она преобразует финскую речь в текст и предназначена для транскрибации аудио. Модель содержит 402,7 млн параметров и использует архитектуру Wav2Vec2ForCTC.

Для работы требуется аудио с частотой дискретизации 16 кГц. При дообучении использовались аудиофрагменты длиной до 50 секунд, поэтому модель лучше подходит для коротких записей сопоставимой длительности. На более длинных записях могут возникать ошибки нехватки памяти; их можно обрабатывать фрагментами. Из-за состава обучающих данных модель может быть смещена в сторону разговорного финского языка. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация коротких записей на финском языке
  • распознавание разговорной финской речи
  • преобразование финских аудиозаписей в текст

Ограничения

Для работы требуется аудио с частотой дискретизации 16 кГц; модель дообучалась на фрагментах длиной до 50 секунд и может хуже работать на более длинных записях. Обучающие данные могут смещать распознавание в сторону разговорного финского.

Для каких профессий подходит6

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

Colloquial Finnish Wav2vec2-Large ASR

GetmanY1/wav2vec2-large-fi-lp-cont-pt fine-tuned on 1500 hours of Lahjoita puhetta (Donate Speech) on 16kHz sampled speech audio. When using the model make sure that your speech input is also sampled at 16Khz.

Model description

The Finnish Wav2Vec2 Large has the same architecture and uses the same training objective as the English and multilingual one described in Paper.

You can read more about the pre-trained model from this paper. The training scripts are available on GitHub

Intended uses & limitations

You can use this model for Finnish ASR (speech-to-text).

How to use

To transcribe audio files the model can be used as a standalone acoustic model as follows:

from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC
from datasets import load_dataset
import torch

# load model and processor
processor = Wav2Vec2Processor.from_pretrained("GetmanY1/wav2vec2-large-fi-lp-cont-pt-1500h")
model = Wav2Vec2ForCTC.from_pretrained("GetmanY1/wav2vec2-large-fi-lp-cont-pt-1500h")

# load dummy dataset and read soundfiles
ds = load_dataset("mozilla-foundation/common_voice_16_1", "fi", split='test')

# tokenize
input_values = processor(ds[0]["audio"]["array"], return_tensors="pt", padding="longest").input_values  # Batch size 1

# retrieve logits
logits = model(input_values).logits

# take argmax and decode
predicted_ids = torch.argmax(logits, dim=-1)
transcription = processor.batch_decode(predicted_ids)

Limitations and bias

This model was fine-tuned with audio samples whose maximum length was 50 seconds so this model most likely works the best for short audios of similar length. However, you can try this model with a lot longer audios too and see how it works. If you encounter out of memory errors with very long audio files you can use the audio chunking method introduced in this blog post.

The model was fine-tuned on the data from the Lahjoita puhetta (Donate Speech) corpus so this model might have biases towards colloquial Finnish.

Evaluation results

Evaluation results in terms of WER (word error rate) and CER (character error rate) on the Lahjoita puhetta dev and test sets:

SystemLabeled training data, hdev WER [%]dev CER [%]test WER [%]test CER [%]
Base Models
GetmanY1/wav2vec2-base-fi-voxpopuli-v2-100h10029.357.9431.909.05
GetmanY1/wav2vec2-base-fi-voxpopuli-v2-1500h150022.185.9624.436.97
GetmanY1/wav2vec2-base-fi-lp-from-scratch-100h10026.406.8628.928.09
GetmanY1/wav2vec2-base-fi-lp-from-scratch-1500h150021.615.5924.356.87
GetmanY1/wav2vec2-base-fi-lp-cont-pt-100h10022.495.8424.957.09
GetmanY1/wav2vec2-base-fi-lp-cont-pt-1500h150017.384.6119.655.69
Large Models
GetmanY1/wav2vec2-large-uralic-voxpopuli-v2-100h10021.025.7022.986.90
GetmanY1/wav2vec2-large-uralic-voxpopuli-v2-1500h150019.145.0520.495.93
GetmanY1/wav2vec2-large-fi-lp-from-scratch-100h10021.665.6123.856.76
GetmanY1/wav2vec2-large-fi-lp-from-scratch-1500h150017.544.5919.265.58
GetmanY1/wav2vec2-large-fi-lp-cont-pt-100h10020.205.4022.816.64
GetmanY1/wav2vec2-large-fi-lp-cont-pt-1500h150016.244.3418.045.29

Citation

If you use our models or scripts, please cite our article as:

@inproceedings{getman24_interspeech,
  title     = {What happens in continued pre-training? Analysis of self-supervised speech
 models with continued pre-training for colloquial Finnish ASR},
  author    = {Yaroslav Getman and Tamas Grosz and Mikko Kurimo},
  year      = {2024},
  booktitle = {Interspeech 2024},
  pages     = {5043--5047},
  doi       = {10.21437/Interspeech.2024-476},
}

Team Members

Feel free to contact us for more details 🤗

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
a2deff9

0 моделей