/ Модель

Характеристики

Параметры
406 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Опубликована
11 мая 2023

wav2vec2-large-xlsr-53-japanese

Распознавание речиАудио → текст6 профессий

Модель Wav2Vec2 для автоматической расшифровки японской речи в текст.

75скачиваний за 30 дней5лайковвеса обновлены12 мая 2023

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

Ivydata разработала эту модель распознавания японской речи, дообучив facebook/wav2vec2-large-xlsr-53 на данных Common Voice, JVS и JSUT. Это акустическая модель Wav2Vec2 с архитектурой Wav2Vec2ForCTC и 405,7 млн параметров, предназначенная для преобразования японской речи в текст. Для распознавания входную речь следует подавать с частотой дискретизации 16 кГц.

Модель можно использовать для расшифровки японской речи без языковой модели, например, в записях выступлений и других аудиоматериалах. В тесте на TEDxJP-10K автор сообщает CER 27,87%; приведённые примеры показывают, что распознавание может содержать ошибки. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • расшифровка японских выступлений и лекций
  • преобразование записей японской речи в текст
  • получение субтитров к аудио на японском языке

Ограничения

Для входного аудио требуется частота дискретизации 16 кГц. В тесте на TEDxJP-10K CER составил 27,87%, а примеры демонстрируют ошибки распознавания.

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

Fine-tuned Japanese Wav2Vec2 model for speech recognition using XLSR-53 large

Fine-tuned facebook/wav2vec2-large-xlsr-53 on Japanese using Common Voice, JVS and JSUT. When using this model, make sure that your speech input is sampled at 16kHz.

Usage

The model can be used directly (without a language model) as follows.

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

LANG_ID = "ja"
MODEL_ID = "Ivydata/wav2vec2-large-xlsr-53-japanese"
SAMPLES = 10

test_dataset = load_dataset("common_voice", LANG_ID, split=f"test[:{SAMPLES}]")

processor = Wav2Vec2Processor.from_pretrained(MODEL_ID)
model = Wav2Vec2ForCTC.from_pretrained(MODEL_ID)

# Preprocessing the datasets.
# We need to read the audio files as arrays
def speech_file_to_array_fn(batch):
    speech_array, sampling_rate = librosa.load(batch["path"], sr=16_000)
    batch["speech"] = speech_array
    batch["sentence"] = batch["sentence"].upper()
    return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)
inputs = processor(test_dataset["speech"], sampling_rate=16_000, return_tensors="pt", padding=True)

with torch.no_grad():
    logits = model(inputs.input_values, attention_mask=inputs.attention_mask).logits

predicted_ids = torch.argmax(logits, dim=-1)
predicted_sentences = processor.batch_decode(predicted_ids)

for i, predicted_sentence in enumerate(predicted_sentences):
    print("-" * 100)
    print("Reference: ", test_dataset[i]["sentence"])
    print("Prediction:", predicted_sentence)

Test Result

In the table below I report the Character Error Rate (CER) of the model tested on TEDxJP-10K dataset.

ModelCER
Ivydata/wav2vec2-large-xlsr-53-japanese27.87%
jonatasgrosman/wav2vec2-large-xlsr-53-japanese34.18%
vumichien/wav2vec2-large-xlsr-japanese37.72%

Test Inference Examples

ReferencePrediction
ただ選択するのではなくどう考えて選択をするのかただ洗濯するのではなくどう考えて洗択をするのか
この巨大な構造物を宇宙に作ることができた人間この巨大な構造物を宇宙に作ることができた人間
何かしら嫌いになっていってしまったわけですよね何にかしら気段になっっていってしまったおけどすね
そんな僕だからこそ言えることは筋肉を変えれば自分が変わってくるしんな僕らからこスえることは筋肉を変えれば自分が変わってくし
そうするとその言葉を使って未来のイメージを形作っていくことができるとそうするとその言葉を使って未来のイメーージを形作っていことができると

Citation

If you want to cite this model you can use this:

@misc{Ivydata2023-wav2vec2-xlsr53-large-japanese,
  title={Fine-tuned Japanese Wav2Vec2 model for speech recognition using XLSR-53 large},
  author={Kosuke Suzuki},
  howpublished={\url{https://huggingface.co/Ivydata/wav2vec2-large-xlsr-53-japanese/}},
  year={2023}
}

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
3feaaf2

0 моделей