/ Модель

Характеристики

Лицензия
MPL 2.0
Опубликована
30 ноя 2024

xlsr-timit-b0

Распознавание речиАудио → текст

Модель преобразует английскую речь в фонемную транскрипцию для задач фонетического анализа.

2скачиваний за 30 дней6лайковвеса обновлены23 дек 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

KoelLabs/xlsr-timit-b0 — модель распознавания речи, дообученная KoelLabs на корпусе TIMIT для преобразования английской речи в фонемную транскрипцию. В основе лежит ginic/data_seed_4_wav2vec2-large-xlsr-buckeye-ipa; модель использует архитектуру wav2vec 2.0 XLSR и веса в формате safetensors.

Модель предназначена для фонетического анализа английской речи и оценки фонемных транскрипций. На тестовой выборке TIMIT автор сообщает средний CER 0,113 и средневзвешенное расстояние 13,309375. Репозиторий распространяется по лицензии MPL-2.0.

Обучение на TIMIT ограничивает переносимость на диалекты и условия речи, отсутствовавшие в обучающих данных; автор предупреждает о возможном существенном снижении качества для других языков. Заявление о превосходстве над другими моделями в карточке не сопровождается сравнительными результатами.

Сценарии применения

  • фонемная транскрипция записей английской речи
  • анализ произношения в корпусах английской речи
  • подготовка фонетических данных для исследований речи

Ограничения

Обучение на корпусе TIMIT не охватывает все диалекты и языки, поэтому на незнакомой речи качество может заметно снизиться. Заявление о превосходстве над другими моделями не подкреплено сравнительными результатами в карточке.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

XLSR-TIMIT-B0: Fine-tuned on TIMIT for Phonemic Transcription

This model leverages the pretrained checkpoint ginic/data_seed_4_wav2vec2-large-xlsr-buckeye-ipa and is fine-tuned on the TIMIT Darpa English Corpus to transcribe audio into phonemic representations for the English language.

All code is available on Github

This model outperforms all current xlsr IPA transcription models for English

Performance

  • Training Loss: 1.254
  • Validation Loss: 0.267
  • Test Results (TIMIT test set):
    • Average Weighted Distance: 13.309375
    • Standard Deviation (Weighted Distance): 9.87
    • Average Character Error Rate (CER): 0.113
    • Standard Deviation (CER): 0.06

image/png

Model Information

  • Number of Epochs: 40
  • Learning Rate: 8e-5
  • Optimizer: Adam
  • Datasets Used: TIMIT, Darpa English Corpus

Example Outputs

  1. Prediction: lizteɪkðɪsdɹɾiteɪbklɔθiðiklinizfɹmi
    Ground Truth: lizteɪkðɪsdɹɾiteɪbəklɔtiðiklinizfɹmi
    Weighted Feature Edit Distance: 7.875
    CER: 0.0556

  2. Prediction: ɹænmʌðɹʔaʊtɹuhɹʔʌpɹɪŋiɾimpɛɾikoʊts
    Ground Truth: ɹænmʌðɹʔaʊtɹuhɹʔʌpɹɪŋiŋinpɛɾikoʊts
    Weighted Feature Edit Distance: 2.375
    CER: 0.0588

Limitations

This phonemic transcription model is fine-tuned on an English speech corpus that does not encompass all dialects and languages. We acknowledge that it may significantly underperform for any unseen languages. We aim to release models and datasets that better serve all populations and languages in the future.


Usage

To transcribe audio files, this model can be used as follows:

from transformers import AutoModelForCTC, AutoProcessor
import torch

# Load model and processor
model = AutoModelForCTC.from_pretrained("KoelLabs/xlsr-timit-b0")
processor = AutoProcessor.from_pretrained("KoelLabs/xlsr-timit-b0")

# Prepare input
audio_input = "path_to_your_audio_file.wav"  # Replace with your file
input_values = processor(audio_input, return_tensors="pt", sampling_rate=16000).input_values

# Retrieve logits
with torch.no_grad():
    logits = model(input_values).logits

# Decode predictions
predicted_ids = torch.argmax(logits, dim=-1)
transcription = processor.batch_decode(predicted_ids)
print(transcription)

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
13e69f0

0 моделей