/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Опубликована
2 мар 2022

wav2vec2-FR-3K-large

ЭмбеддингиТекст → embedding3 профессии

Предварительно обученный французский wav2vec 2.0 Large для извлечения признаков речи и адаптации к распознаванию речи и другим речевым задачам.

102скачиваний за 30 дней1лайквеса обновлены31 окт 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 «Эмбеддинги» — 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

LeBenchmark/wav2vec2-FR-3K-large — предварительно обученная модель wav2vec 2.0 Large, выпущенная проектом LeBenchmark. Её энкодер обучен на 2,9 тыс. часов французской речи, включая спонтанную, прочитанную и вещательную речь. В метаданных указано 402,7 млн параметров; модель доступна в форматах PyTorch, Flax и safetensors под лицензией Apache-2.0.

Модель предназначена для извлечения речевых представлений, которые можно использовать как признаки для систем распознавания речи, распознавания и верификации говорящего, а также разделения источников звука. Её можно дообучать для распознавания речи с CTC или подключать как замороженный энкодер в речевые конвейеры. Карточка отмечает, что качество преобразования речи в текст с CTC может быть ниже уровня современных лучших систем; для ряда downstream-задач требуется дообучение. Длина контекста в предоставленных данных не указана.

Сценарии применения

  • извлечение признаков из французской речи для речевого конвейера
  • дообучение модели для распознавания французской речи с CTC
  • создание системы распознавания или верификации французских говорящих
  • использование речевых представлений для разделения источников звука

Ограничения

Для распознавания речи потребуется адаптация или отдельная downstream-модель; карточка предупреждает, что результаты CTC могут не достигать передового уровня. Некоторые связанные с бенчмарками и данными корпуса могут быть доступны не полностью.

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

LeBenchmark: wav2vec2 large model trained on 3K hours of French speech

LeBenchmark provides an ensemble of pretrained wav2vec2 models on different French datasets containing spontaneous, read, and broadcasted speech. It comes with 2 versions, in which, the later version (LeBenchmark 2.0) is an extended version of the first version in terms of both numbers of pre-trained SSL models, and numbers of downstream tasks. For more information on the different benchmarks that can be used to evaluate the wav2vec2 models, please refer to our paper at: LeBenchmark 2.0: a Standardized, Replicable and Enhanced Framework for Self-supervised Representations of French Speech

Model and data descriptions

We release four different models that can be found under our HuggingFace organization. Four different wav2vec2 architectures Light, Base, Large and xLarge are coupled with our small (1K), medium (3K), large (7K), and extra large (14K) corpus. In short:

Lebenchmark 2.0:

  • wav2vec2-FR-14K-xlarge: xLarge wav2vec2 trained on 14K hours of French speech (5.4K Males / 2.4K Females / 6.8K unknown).
  • wav2vec2-FR-14K-large: Large wav2vec2 trained on 14K hours of French speech (5.4K Males / 2.4K Females / 6.8K unknown).
  • wav2vec2-FR-14K-light: Light wav2vec2 trained on 14K hours of French speech (5.4K Males / 2.4K Females / 6.8K unknown).

Lebenchmark:

  • wav2vec2-FR-7K-large: Large wav2vec2 trained on 7.6K hours of French speech (1.8K Males / 1.0K Females / 4.8K unknown).
  • wav2vec2-FR-7K-base: Base wav2vec2 trained on 7.6K hours of French speech (1.8K Males / 1.0K Females / 4.8K unknown).
  • wav2vec2-FR-3K-large: Large wav2vec2 trained on 2.9K hours of French speech (1.8K Males / 1.0K Females / 0.1K unknown).
  • wav2vec2-FR-3K-base: Base wav2vec2 trained on 2.9K hours of French speech (1.8K Males / 1.0K Females / 0.1K unknown).
  • wav2vec2-FR-2.6K-base: Base wav2vec2 trained on 2.6K hours of French speech (no spontaneous speech).
  • wav2vec2-FR-1K-large: Large wav2vec2 trained on 1K hours of French speech (0.5K Males / 0.5K Females).
  • wav2vec2-FR-1K-base: Base wav2vec2 trained on 1K hours of French speech (0.5K Males / 0.5K Females).

Intended uses & limitations

Pretrained wav2vec2 models are distributed under the Apache-2.0 license. Hence, they can be reused extensively without strict limitations. However, benchmarks and data may be linked to corpora that are not completely open-sourced.

Fine-tune with Fairseq for ASR with CTC

As our wav2vec2 models were trained with Fairseq, then can be used in the different tools that they provide to fine-tune the model for ASR with CTC. The full procedure has been nicely summarized in this blogpost.

Please note that due to the nature of CTC, speech-to-text results aren't expected to be state-of-the-art. Moreover, future features might appear depending on the involvement of Fairseq and HuggingFace on this part.

Integrate to SpeechBrain for ASR, Speaker, Source Separation ...

Pretrained wav2vec models recently gained in popularity. At the same time, SpeechBrain toolkit came out, proposing a new and simpler way of dealing with state-of-the-art speech & deep-learning technologies.

While it currently is in beta, SpeechBrain offers two different ways of nicely integrating wav2vec2 models that were trained with Fairseq i.e our LeBenchmark models!

  1. Extract wav2vec2 features on-the-fly (with a frozen wav2vec2 encoder) to be combined with any speech-related architecture. Examples are: E2E ASR with CTC+Att+Language Models; Speaker Recognition or Verification, Source Separation ...
  2. Experimental: To fully benefit from wav2vec2, the best solution remains to fine-tune the model while you train your downstream task. This is very simply allowed within SpeechBrain as just a flag needs to be turned on. Thus, our wav2vec2 models can be fine-tuned while training your favorite ASR pipeline or Speaker Recognizer.

If interested, simply follow this tutorial

Referencing LeBenchmark

@misc{parcollet2023lebenchmark,
      title={LeBenchmark 2.0: a Standardized, Replicable and Enhanced Framework for Self-supervised Representations of French Speech}, 
      author={Titouan Parcollet and Ha Nguyen and Solene Evain and Marcely Zanon Boito and Adrien Pupier and Salima Mdhaffar and Hang Le and Sina Alisamir and Natalia Tomashenko and Marco Dinarelli and Shucong Zhang and Alexandre Allauzen and Maximin Coavoux and Yannick Esteve and Mickael Rouvier and Jerome Goulian and Benjamin Lecouteux and Francois Portet and Solange Rossato and Fabien Ringeval and Didier Schwab and Laurent Besacier},
      year={2023},
      eprint={2309.05472},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2Model
Ревизия весов
87ef8cd

0 моделей