/ Модель

Характеристики

Параметры
113 млн
Архитектура
wav2vec2 · dense
Опубликована
4 апр 2022

IWSLT2022-Niger-Mali

Языковая модель3 профессии

Предобученная wav2vec 2.0 для речевых задач на французском, фула, хауса, тамашек и зарма, пригодная для дальнейшей адаптации.

11скачиваний за 30 дней1лайквеса обновлены11 мая 2022

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

Модель LIA-AvignonUniversity/IWSLT2022-Niger-Mali — базовая предобученная wav2vec 2.0 с архитектурой Wav2Vec2ForPreTraining и 113,3 млн параметров. Её обучили на аудиоколлекции Niger-Mali и корпусе тамашекско-французской речи: в совокупности данные включают французский, фула, хауса, тамашек и зарма.

Модель предназначена как основа для задач обработки речи на этих языках, в том числе для дальнейшей адаптации к распознаванию речи и низкоресурсному речевому переводу. README описывает её как предобученный чекпойнт, а не готовую систему распознавания или перевода. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • подготовка основы для распознавания речи на тамашек
  • адаптация распознавания речи на фула и хауса
  • эксперименты с речевым переводом для языков региона Сахель

Ограничения

Это предобученная модель, а не готовая система распознавания или перевода; для прикладных задач может потребоваться дообучение. Описанные обучающие корпуса охватывают пять языков и региональные речевые данные.

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

Model and data descriptions

This is a wav2vec 2.0 base model trained on the Niger-Mali audio collection and on the Tamasheq-French speech corpus. These combined contained 111 hours of French, 109 hours of Fulfulde, 100 hours of Hausa, 243 hours of Tamasheq and 95 hours of Zarma. These corpora were presented in Boito et al., 2022.

Intended uses & limitations

Pretrained wav2vec2 models are distributed under the Apache-2.0 license. Hence, they can be reused extensively without strict limitations.

Referencing our IWSLT models

@article{boito2022trac,
  title={ON-TRAC Consortium Systems for the IWSLT 2022 Dialect and Low-resource Speech Translation Tasks},
  author={Boito, Marcely Zanon and Ortega, John and Riguidel, Hugo and Laurent, Antoine and Barrault, Lo{\"\i}c and Bougares, Fethi and Chaabani, Firas and Nguyen, Ha and Barbier, Florentin and Gahbiche, Souhir and others},
  journal={IWSLT},
  year={2022}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Класс архитектуры
Wav2Vec2ForPreTraining
Ревизия весов
c2f78bd

0 моделей