/ Модель

Характеристики

Параметры
1,3 млрд
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Библиотека
transformers
Опубликована
12 сен 2024

wav2vec2-xlarge-fi-150k

Распознавание речиАудио → текст3 профессии

Предварительно обученный Wav2Vec2 X-Large для финской речи, предназначенный для дообучения на распознавание речи и другие задачи анализа аудио.

28скачиваний за 30 дней0лайковвеса обновлены15 сен 2025

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

Finnish Wav2Vec2 X-Large — аудиомодель, разработанная Ярославом Гетманом и Тамашем Гросом. Это предварительно обученный энкодер Wav2Vec2ForPreTraining на основе Wav2Vec2, обученный на 158 тысячах часов неразмеченной финской речи. Модель принимает аудио с частотой дискретизации 16 кГц; токенизатора в репозитории нет.

Модель предназначена для последующего дообучения на размеченных текстом аудиоданных для распознавания финской речи, а также может служить основой для задач распознавания эмоций в речи. Для ASR нужны токенизатор и дообучение; готовая дообученная версия опубликована отдельно как GetmanY1/wav2vec2-xlarge-fi-150k-finetuned. Лицензия — Apache-2.0.

Предобучающие аудиозаписи ограничены длиной до 60 секунд, поэтому модель лучше подходит для относительно коротких фрагментов; очень длинные записи могут требовать разбиения на части и значительных ресурсов памяти. Корпус преимущественно основан на архивах радио и телевидения, что может приводить к смещению в сторону голосов ведущих и разговорного финского; в данных также могли остаться музыкальные фрагменты.

Сценарии применения

  • подготовка модели для распознавания финской речи после дообучения
  • создание системы транскрибации финского аудио
  • дообучение на размеченных финских аудиозаписях
  • эксперименты с распознаванием эмоций в финской речи

Ограничения

Для распознавания речи необходимы отдельный токенизатор и дообучение на размеченных текстом аудиоданных. Модель может хуже работать на длинных записях, а особенности обучающего корпуса могут смещать результаты в сторону голосов теле- и радиоведущих и разговорного финского.

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

Finnish Wav2vec2-XLarge

The x-large model pre-trained on 16kHz sampled speech audio. When using the model make sure that your speech input is also sampled at 16Khz.

Note: This model does not have a tokenizer as it was pre-trained on audio alone. In order to use this model speech recognition, a tokenizer should be created and the model should be fine-tuned on labeled text data. Check out this blog for more in-detail explanation of how to fine-tune the model.

Note: Fine-tuned version is available at GetmanY1/wav2vec2-xlarge-fi-150k-finetuned

Model description

The Finnish Wav2Vec2 X-Large has the same architecture and uses the same training objective as the multilingual one described in paper. It is pre-trained on 158k hours of unlabeled Finnish speech, including KAVI radio and television archive materials, Lahjoita puhetta (Donate Speech), Finnish Parliament, Finnish VoxPopuli.

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) and SER (Spoken Emotion Recognition) tasks.

How to use

See this notebook for more information on how to fine-tune the model.

Limitations and bias

This model was pre-trained with audio samples whose maximum length was 60 seconds so this model most likely works the best for quite 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.

A vast majority of the data used for pre-training was from the KAVI archives so this model might have biases towards the voices of tv and radio hosts, as well as to colloquial Finnish. The pre-training data was filtered via neural VAD, but some non-speech events like music might be still present in the traning data, which might cause issues when fine-tuned on clear (no background noise) speech.

Training data

This model was pre-trained with 158k hours of Finnish speech data from the following sources:

DatasetHours% of total hours
Lahjoita puhetta2740 h1.74 %
Finnish Parliament2692 h1.71 %
VoxPopuli Finnish14264 h9.04 %
YlePuhe95478 h60.52 %
MTV316723 h10.60 %
YleTV113947 h8.84 %
AlfaTV11933 h7.56 %

Datasets were filtered to include a maximum length of 60 seconds long audio samples.

Training procedure

Training was done on 256 AMD MI250x GPU modules (512 GPUs from the software perspective), using LUMI, during the Second Finnish LUMI Extreme Scale.

Training script was provided by Fairseq and it is available here.

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 1e-04
  • max_update: 390625
  • seed: 1
  • optimizer: 8-bit Adam with betas=(0.9,0.98) and epsilon=1e-06
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_updates: 12500
  • fp16: true
  • max_sample_size: 960000
  • min_sample_size: 32000
  • normalize: true
  • max_tokens: 960000
  • distributed_world_size: 512

The pre-trained model was initialized with the following hyperparameters:

  • quantize_targets: true
  • latent_temp: [2.0, 0.5, 0.999995]
  • extractor_mode: layer_norm
  • layer_norm_first: true
  • dropout_input: 0.1
  • dropout_features: 0.1
  • feature_grad_mult: 1.0
  • encoder_embed_dim: 1280
  • encoder_layers: 48
  • encoder_ffn_embed_dim: 5120
  • encoder_attention_heads: 16
  • dropout: 0.0
  • attention_dropout: 0.0
  • encoder_layerdrop: 0.0

Training results

Training LossEpochStepValidation Loss
3.581206413.424
2.58951031192.444
2.293102063502.222
2.129153096412.115
2.05918.9183906252.062

Framework versions

  • Pytorch 1.13.1+rocm5.2
  • Fairseq 0.12.2

Citation

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

@inproceedings{getman25_interspeech,
  title     = {{Is your model big enough? Training and interpreting large-scale monolingual speech foundation models}},
  author    = {{Yaroslav Getman and Tamás Grósz and Tommi Lehtonen and Mikko Kurimo}},
  year      = {{2025}},
  booktitle = {{Interspeech 2025}},
  pages     = {{231--235}},
  doi       = {{10.21437/Interspeech.2025-46}},
  issn      = {{2958-1796}},
}

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 · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForPreTraining
Ревизия весов
eacc6a2

0 моделей