/ Модель

Характеристики

Параметры
113 млн
Архитектура
wav2vec2 · dense
Библиотека
transformers
Опубликована
30 мая 2024

wav2vec2-base-korean

Распознавание речиАудио → текст8 профессий

Дообученная wav2vec2-модель для транскрибации корейской речи в текст.

6 389скачиваний за 30 дней7лайковвеса обновлены20 июн 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

Kkonjeong/wav2vec2-base-korean — модель распознавания корейской речи, разработанная Чонхёном Парком и Джеёном Кимом. Это дообученная версия facebook/wav2vec2-base с архитектурой Wav2Vec2ForCTC, содержащая 113,3 млн параметров. Модель обучена на Zeroth-Korean и преобразует аудиозаписи корейской речи в текст, используя для распознавания корейские джамо.

Сценарии применения

  • транскрибация записей корейской речи
  • распознавание речи для голосового помощника на корейском языке
  • автоматическая расшифровка звонков на корейском языке
  • распознавание устной речи в приложениях для изучения корейского

Ограничения

Модель предназначена для корейской речи и может хуже распознавать другие языки; качество может снижаться для отдельных диалектов и групп говорящих. Она выполняет транскрибацию, но не предназначена для понимания контекста за пределами распознавания речи.

Для каких профессий подходит8

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

Model Card for wav2vec2-base-korean

Model Details

Model Description

This model is a fine-tuned version of Facebook's wav2vec2-base model, adapted for Korean language recognition using the Zeroth-Korean dataset. The model has been trained to transcribe Korean speech into text, specifically utilizing the unique jamo characters of the Korean language.

  • Developed by: [jeonghyeon Park, Jaeyoung Kim]
  • Model type: Speech-to-Text
  • Language(s) (NLP): Korean
  • License: Apache 2.0
  • Finetuned from model [optional]: facebook/wav2vec2-base

Model Sources

  • Repository: [github.com/KkonJJ/wav2vec2-base-korean]

Uses

Direct Use

The model can be directly used for transcribing Korean speech to text without additional fine-tuning. It is particularly useful for applications requiring accurate Korean language recognition such as voice assistants, transcription services, and language learning tools.

Downstream Use [optional]

This model can be integrated into larger systems that require speech recognition capabilities, such as automated customer service, voice-controlled applications, and more.

Out-of-Scope Use

This model is not suitable for recognizing languages other than Korean or for tasks that require understanding context beyond the transcription of spoken Korean.

Bias, Risks, and Limitations

Recommendations

Users should be aware of the limitations of the model, including potential biases in the training data which may affect the accuracy for certain dialects or speakers. It is recommended to evaluate the model's performance on a representative sample of the intended application domain.

How to Get Started with the Model

To get started with the model, use the code below:

!pip install transformers[torch] accelerate -U
!pip install datasets torchaudio -U
!pip install jiwer jamo
!pip install tensorboard

import torch
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import torchaudio
from jamo import h2j, j2hcj

model_name = "Kkonjeong/wav2vec2-base-korean"
model = Wav2Vec2ForCTC.from_pretrained(model_name)
processor = Wav2Vec2Processor.from_pretrained(model_name)

model.to("cuda")
model.eval()

def load_and_preprocess_audio(file_path):
    speech_array, sampling_rate = torchaudio.load(file_path)
    if sampling_rate != 16000:
        resampler = torchaudio.transforms.Resample(sampling_rate, 16000)
        speech_array = resampler(speech_array)
    input_values = processor(speech_array.squeeze().numpy(), sampling_rate=16000).input_values[0]
    return input_values

def predict(file_path):
    input_values = load_and_preprocess_audio(file_path)
    input_values = torch.tensor(input_values).unsqueeze(0).to("cuda")
    with torch.no_grad():
        logits = model(input_values).logits
    predicted_ids = torch.argmax(logits, dim=-1)
    transcription = processor.batch_decode(predicted_ids)[0]
    return transcription

audio_file_path = "your_audio_file.wav"
transcription = predict(audio_file_path)
print("Transcription:", transcription)

Training Details

Training Data

The model was trained using the Zeroth-Korean dataset, a collection of Korean speech data. This dataset includes audio recordings and their corresponding transcriptions.

Training Procedure

Preprocessing

Special characters were removed from the transcriptions, and the text was converted to jamo characters to better align with the Korean language's phonetic structure.

Training Hyperparameters

  • Training regime: Mixed precision (fp16)
  • Batch size: 32
  • Learning rate: 1e-4
  • Number of epochs: 10

Evaluation

Testing Data, Factors & Metrics

Testing Data

The model was evaluated using the test split of the Zeroth-Korean dataset.

Metrics

The primary evaluation metric used was the Character Error Rate (CER), which measures the percentage of characters that are incorrect in the transcription compared to the reference text.

Results

  • Final CER: 0.073

Summary

The model achieved a CER of 7.3%, indicating good performance on the Zeroth-Korean dataset.

Environmental Impact

Carbon emissions can be estimated using the Machine Learning Impact calculator.

  • Hardware Type: NVIDIA A100
  • Hours used: Approximately 8hours

Technical Specifications

Model Architecture and Objective

The model architecture is based on wav2vec2.0, designed to convert audio input into text output by modeling the phonetic structure of speech.

Compute Infrastructure

Hardware

  • GPUs: NVIDIA A100

Software

  • Framework: PyTorch
  • Libraries: Transformers, Datasets, Torchaudio, Jiwer, Jamo

BibTeX:

@misc{your_bibtex_key,
  author = {Your Name},
  title = {wav2vec2-base-korean},
  year = {2024},
  publisher = {Hugging Face},
  note = {https://huggingface.co/Kkonjeong/wav2vec2-base-korean}
}

APA:

Your Name. (2024). wav2vec2-base-korean. Hugging Face. https://huggingface.co/Kkonjeong/wav2vec2-base-korean

Model Card Authors [optional]

[jeonghyeon Park, Jaeyoung Kim]

Model Card Contact

For more information, contact [shshjhjh4455@gmail.com, kbs00717@gmail.com].

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
fa03d1a

0 моделей