Характеристики

Параметры: 403 млн
Лицензия: Apache 2.0
Архитектура: wav2vec2 · dense
Базовая модель: xls-r-300m-danish
Опубликована: 19 авг 2022

Ссылки

Hugging Face

wav2vec2-large-danish-npsc-nst

NbAiLab

Распознавание речиАудио → текст6 профессий

Дообученная модель wav2vec2 для автоматической транскрипции датской речи.

308скачиваний за 30 дней2лайкавеса обновлены6 янв 2025

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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

NbAiLab/wav2vec2-large-danish-npsc-nst — модель распознавания речи на основе архитектуры wav2vec2, разработанная как дообучение chcaa/xls-r-300m-danish. Она преобразует аудиоречь в текст и предназначена для автоматической транскрипции. В карточке приведены результаты оценки: WER 0,0669 и loss 0,0587; состав обучающего набора данных не раскрыт.

Модель содержит около 402,7 млн параметров, использует Wav2Vec2ForCTC и распространяется в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Доступные сведения указывают на датский вариант модели; другие поддерживаемые языки не подтверждены.

Сценарии применения

транскрибация аудиозаписей на датском языке
распознавание датской речи в аудиофайлах
автоматическое получение текстовых расшифровок датской речи

Ограничения

Карточка не описывает обучающие данные и сценарии применения подробнее. Приведённая оценка WER относится только к указанному оценочному набору, поэтому качество на других данных не установлено.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.7Универсальные способностиРечь, диалоги и встречиAI помогает понимать разговорную речь, поддерживать диалог и превращать встречи в структурированные результаты.17 задач26 923модели I.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953модели I.9Универсальные способностиАудио и музыкаAI помогает анализировать, очищать, преобразовывать и создавать звук и музыку.15 задач4 835моделей I.6Универсальные способностиПеревод и языковая адаптацияAI помогает переносить смысл между языками, форматами и культурными контекстами.16 задач16 710моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

wav2vec2-large-danish-npsc-nst

This model is a fine-tuned version of chcaa/xls-r-300m-danish on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.0587
Wer: 0.0669

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 0.0001
train_batch_size: 16
eval_batch_size: 16
seed: 42
gradient_accumulation_steps: 2
total_train_batch_size: 32
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 2000
num_epochs: 15.0
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Wer
3.0474	0.05	500	2.9879	1.0
1.7255	0.11	1000	1.1271	0.9732
0.8932	0.16	1500	0.5474	0.5983
0.7358	0.21	2000	0.4152	0.4584
0.5939	0.26	2500	0.3455	0.3860
0.5437	0.32	3000	0.3024	0.3473
0.5128	0.37	3500	0.2708	0.3043
0.4682	0.42	4000	0.2462	0.2841
0.4392	0.47	4500	0.2374	0.2639
0.4022	0.53	5000	0.2182	0.2457
0.4106	0.58	5500	0.2066	0.2331
0.3883	0.63	6000	0.1997	0.2267
0.3701	0.69	6500	0.1862	0.2164
0.3628	0.74	7000	0.1817	0.2051
0.3468	0.79	7500	0.1716	0.1963
0.3311	0.84	8000	0.1704	0.1924
0.3329	0.9	8500	0.1620	0.1873
0.3179	0.95	9000	0.1575	0.1811
0.3162	1.0	9500	0.1519	0.1729
0.296	1.05	10000	0.1503	0.1701
0.2912	1.11	10500	0.1473	0.1673
0.296	1.16	11000	0.1422	0.1649
0.3615	1.21	11500	0.1373	0.1607
0.276	1.26	12000	0.1376	0.1572
0.2719	1.32	12500	0.1349	0.1540
0.2717	1.37	13000	0.1306	0.1524
0.2742	1.42	13500	0.1280	0.1515
0.261	1.48	14000	0.1246	0.1480
0.2532	1.53	14500	0.1266	0.1460
0.2501	1.58	15000	0.1227	0.1435
0.2705	1.63	15500	0.1202	0.1400
0.2433	1.69	16000	0.1190	0.1396
0.2526	1.74	16500	0.1182	0.1381
0.2362	1.79	17000	0.1169	0.1363
0.2359	1.84	17500	0.1166	0.1362
0.2341	1.9	18000	0.1133	0.1336
0.2347	1.95	18500	0.1121	0.1311
0.2428	2.0	19000	0.1109	0.1293
0.229	2.06	19500	0.1104	0.1275
0.2307	2.11	20000	0.1084	0.1278
0.2287	2.16	20500	0.1070	0.1260
0.217	2.21	21000	0.1066	0.1242
0.2056	2.27	21500	0.1058	0.1235
0.2039	2.32	22000	0.1013	0.1211
0.192	2.37	22500	0.1028	0.1198
0.2129	2.42	23000	0.1035	0.1202
0.1972	2.48	23500	0.1002	0.1197
0.2136	2.53	24000	0.1014	0.1183
0.2176	2.58	24500	0.0990	0.1181
0.2029	2.64	25000	0.0975	0.1170
0.2015	2.69	25500	0.0981	0.1168
0.2	2.74	26000	0.0960	0.1145
0.2018	2.79	26500	0.0966	0.1152
0.1935	2.85	27000	0.0936	0.1144
0.1944	2.9	27500	0.0931	0.1129
0.1862	2.95	28000	0.0920	0.1126
0.1805	3.0	28500	0.0941	0.1103
0.1764	3.06	29000	0.0940	0.1103
0.1859	3.11	29500	0.0915	0.1095
0.1865	3.16	30000	0.0925	0.1099
0.1713	3.21	30500	0.0907	0.1085
0.1917	3.27	31000	0.0898	0.1075
0.1708	3.32	31500	0.0909	0.1067
0.1754	3.37	32000	0.0892	0.1078
0.1813	3.43	32500	0.0895	0.1063
0.1842	3.48	33000	0.0882	0.1059
0.1834	3.53	33500	0.0883	0.1048
0.1746	3.58	34000	0.0866	0.1037
0.1765	3.64	34500	0.0860	0.1047
0.1747	3.69	35000	0.0873	0.1038
0.1741	3.74	35500	0.0851	0.1028
0.1589	3.79	36000	0.0851	0.1026
0.1659	3.85	36500	0.0844	0.1017
0.1716	3.9	37000	0.0831	0.1008
0.1728	3.95	37500	0.0828	0.1015
0.1877	4.01	38000	0.0847	0.1007
0.166	4.06	38500	0.0834	0.1005
0.151	4.11	39000	0.0836	0.0998
0.1614	4.16	39500	0.0848	0.1008
0.161	4.22	40000	0.0818	0.1005
0.162	4.27	40500	0.0822	0.0990
0.1702	4.32	41000	0.0806	0.0976
0.1585	4.37	41500	0.0807	0.0983
0.1682	4.43	42000	0.0792	0.0972
0.1607	4.48	42500	0.0797	0.0966
0.161	4.53	43000	0.0817	0.0978
0.1562	4.59	43500	0.0781	0.0965
0.1556	4.64	44000	0.0800	0.0962
0.1516	4.69	44500	0.0779	0.0948
0.1518	4.74	45000	0.0786	0.0945
0.1587	4.8	45500	0.0782	0.0939
0.1653	4.85	46000	0.0772	0.0935
0.1592	4.9	46500	0.0768	0.0933
0.1517	4.95	47000	0.0772	0.0928
0.1515	5.01	47500	0.0780	0.0917
0.2077	5.06	48000	0.0780	0.0925
0.1531	5.11	48500	0.0758	0.0909
0.155	5.16	49000	0.0757	0.0901
0.1501	5.22	49500	0.0767	0.0895
0.1435	5.27	50000	0.0759	0.0890
0.1449	5.32	50500	0.0762	0.0896
0.1489	5.38	51000	0.0743	0.0880
0.1456	5.43	51500	0.0757	0.0883
0.1515	5.48	52000	0.0751	0.0891
0.1446	5.53	52500	0.0739	0.0870
0.1503	5.59	53000	0.0731	0.0872
0.1405	5.64	53500	0.0731	0.0865
0.1385	5.69	54000	0.0737	0.0859
0.1439	5.74	54500	0.0732	0.0860
0.1378	5.8	55000	0.0750	0.0859
0.1441	5.85	55500	0.0713	0.0855
0.1288	5.9	56000	0.0733	0.0851
0.1484	5.96	56500	0.0718	0.0848
0.1437	6.01	57000	0.0714	0.0843
0.138	6.06	57500	0.0722	0.0848
0.1356	6.11	58000	0.0717	0.0845
0.1291	6.17	58500	0.0713	0.0843
0.1269	6.22	59000	0.0720	0.0840
0.133	6.27	59500	0.0709	0.0839
0.1402	6.32	60000	0.0706	0.0833
0.1332	6.38	60500	0.0709	0.0836
0.1271	6.43	61000	0.0705	0.0825
0.1279	6.48	61500	0.0710	0.0828
0.1317	6.54	62000	0.0699	0.0831
0.133	6.59	62500	0.0699	0.0826
0.1259	6.64	63000	0.0703	0.0818
0.1377	6.69	63500	0.0701	0.0817
0.136	6.75	64000	0.0701	0.0817
0.1218	6.8	64500	0.0699	0.0816
0.1239	6.85	65000	0.0687	0.0817
0.1331	6.9	65500	0.0696	0.0810
0.1252	6.96	66000	0.0679	0.0806
0.1381	7.01	66500	0.0688	0.0804
0.1232	7.06	67000	0.0688	0.0808
0.1288	7.11	67500	0.0686	0.0803
0.1223	7.17	68000	0.0684	0.0795
0.1344	7.22	68500	0.0679	0.0799
0.1272	7.27	69000	0.0683	0.0798
0.129	7.33	69500	0.0689	0.0799
0.118	7.38	70000	0.0684	0.0788
0.1351	7.43	70500	0.0681	0.0792
0.1213	7.48	71000	0.0671	0.0781
0.1311	7.54	71500	0.0666	0.0787
0.1194	7.59	72000	0.0665	0.0789
0.1216	7.64	72500	0.0664	0.0779
0.1188	7.69	73000	0.0665	0.0783
0.1161	7.75	73500	0.0661	0.0777
0.1279	7.8	74000	0.0654	0.0782
0.1243	7.85	74500	0.0664	0.0776
0.1223	7.91	75000	0.0648	0.0778
0.123	7.96	75500	0.0650	0.0772
0.1182	8.01	76000	0.0663	0.0773
0.1199	8.06	76500	0.0662	0.0776
0.1158	8.12	77000	0.0667	0.0772
0.1142	8.17	77500	0.0672	0.0773
0.1174	8.22	78000	0.0668	0.0765
0.1204	8.27	78500	0.0661	0.0769
0.1121	8.33	79000	0.0666	0.0769
0.1211	8.38	79500	0.0652	0.0758
0.1214	8.43	80000	0.0656	0.0764
0.1159	8.49	80500	0.0653	0.0762
0.2059	8.54	81000	0.0664	0.0765
0.1145	8.59	81500	0.0653	0.0759
0.1162	8.64	82000	0.0650	0.0761
0.1142	8.7	82500	0.0651	0.0764
0.1183	8.75	83000	0.0649	0.0753
0.112	8.8	83500	0.0657	0.0756
0.1175	8.85	84000	0.0639	0.0753
0.1154	8.91	84500	0.0640	0.0752
0.107	8.96	85000	0.0651	0.0747
0.1105	9.01	85500	0.0646	0.0745
0.1129	9.07	86000	0.0651	0.0743
0.1112	9.12	86500	0.0643	0.0743
0.108	9.17	87000	0.0639	0.0743
0.1114	9.22	87500	0.0643	0.0738
0.1136	9.28	88000	0.0635	0.0747
0.1086	9.33	88500	0.0633	0.0742
0.1097	9.38	89000	0.0629	0.0745
0.1094	9.43	89500	0.0632	0.0734
0.1107	9.49	90000	0.0637	0.0737
0.1072	9.54	90500	0.0633	0.0734
0.101	9.59	91000	0.0633	0.0733
0.1076	9.64	91500	0.0631	0.0730
0.1135	9.7	92000	0.0623	0.0725
0.1168	9.75	92500	0.0625	0.0727
0.1047	9.8	93000	0.0625	0.0731
0.0992	9.86	93500	0.0628	0.0726
0.1026	9.91	94000	0.0630	0.0724
0.1129	9.96	94500	0.0615	0.0725
0.1088	10.01	95000	0.0623	0.0726
0.107	10.07	95500	0.0630	0.0719
0.115	10.12	96000	0.0623	0.0722
0.1037	10.17	96500	0.0622	0.0715
0.1028	10.22	97000	0.0612	0.0717
0.1025	10.28	97500	0.0618	0.0715
0.1075	10.33	98000	0.0610	0.0719
0.1035	10.38	98500	0.0627	0.0715
0.1038	10.44	99000	0.0608	0.0721
0.0968	10.49	99500	0.0618	0.0712
0.1095	10.54	100000	0.0621	0.0713
0.1957	10.59	100500	0.0606	0.0717
0.1032	10.65	101000	0.0613	0.0708
0.1104	10.7	101500	0.0622	0.0709
0.1071	10.75	102000	0.0612	0.0707
0.1133	10.8	102500	0.0618	0.0703
0.1017	10.86	103000	0.0616	0.0703
0.0943	10.91	103500	0.0613	0.0704
0.1067	10.96	104000	0.0602	0.0704
0.1078	11.02	104500	0.0602	0.0705
0.1088	11.07	105000	0.0617	0.0704
0.101	11.12	105500	0.0609	0.0703
0.0956	11.17	106000	0.0608	0.0701
0.0995	11.23	106500	0.0614	0.0702
0.0917	11.28	107000	0.0611	0.0698
0.1023	11.33	107500	0.0608	0.0697
0.1107	11.38	108000	0.0607	0.0699
0.0945	11.44	108500	0.0610	0.0695
0.1043	11.49	109000	0.0603	0.0697
0.1007	11.54	109500	0.0606	0.0699
0.0997	11.59	110000	0.0596	0.0696
0.0958	11.65	110500	0.0602	0.0695
0.1011	11.7	111000	0.0602	0.0698
0.0996	11.75	111500	0.0605	0.0695
0.0993	11.81	112000	0.0610	0.0691
0.0958	11.86	112500	0.0603	0.0693
0.0997	11.91	113000	0.0600	0.0695
0.0991	11.96	113500	0.0596	0.0691
0.096	12.02	114000	0.0603	0.0688
0.0971	12.07	114500	0.0605	0.0688
0.0948	12.12	115000	0.0601	0.0687
0.0981	12.17	115500	0.0596	0.0690
0.0928	12.23	116000	0.0599	0.0689
0.0959	12.28	116500	0.0602	0.0686
0.0925	12.33	117000	0.0598	0.0686
0.0998	12.39	117500	0.0593	0.0689
0.0996	12.44	118000	0.0600	0.0685
0.0981	12.49	118500	0.0600	0.0685
0.1045	12.54	119000	0.0593	0.0684
0.0944	12.6	119500	0.0594	0.0684
0.0874	12.65	120000	0.0590	0.0686
0.092	12.7	120500	0.0597	0.0681
0.0931	12.75	121000	0.0599	0.0678
0.092	12.81	121500	0.0604	0.0679
0.1033	12.86	122000	0.0591	0.0684
0.0935	12.91	122500	0.0594	0.0680
0.1062	12.97	123000	0.0594	0.0677
0.0948	13.02	123500	0.0600	0.0679
0.0939	13.07	124000	0.0599	0.0677
0.0962	13.12	124500	0.0602	0.0676
0.1015	13.18	125000	0.0594	0.0676
0.0976	13.23	125500	0.0586	0.0676
0.0876	13.28	126000	0.0595	0.0679
0.0864	13.33	126500	0.0597	0.0675
0.1756	13.39	127000	0.0583	0.0678
0.0963	13.44	127500	0.0584	0.0677
0.0956	13.49	128000	0.0593	0.0676
0.0927	13.54	128500	0.0594	0.0674
0.0969	13.6	129000	0.0588	0.0674
0.1005	13.65	129500	0.0586	0.0674
0.097	13.7	130000	0.0593	0.0674
0.0944	13.76	130500	0.0596	0.0673
0.0908	13.81	131000	0.0593	0.0674
0.0928	13.86	131500	0.0594	0.0673
0.0934	13.91	132000	0.0592	0.0674
0.0967	13.97	132500	0.0589	0.0672
0.0921	14.02	133000	0.0585	0.0671
0.0927	14.07	133500	0.0590	0.0673
0.0908	14.12	134000	0.0588	0.0672
0.0875	14.18	134500	0.0591	0.0672
0.097	14.23	135000	0.0589	0.0670
0.0915	14.28	135500	0.0586	0.0670
0.094	14.34	136000	0.0587	0.0672
0.09	14.39	136500	0.0589	0.0672
0.0969	14.44	137000	0.0586	0.0670
0.0925	14.49	137500	0.0585	0.0670
0.1005	14.55	138000	0.0584	0.0668
0.0907	14.6	138500	0.0584	0.0669
0.0891	14.65	139000	0.0587	0.0669
0.0907	14.7	139500	0.0588	0.0669
0.0948	14.76	140000	0.0586	0.0668
0.0907	14.81	140500	0.0585	0.0670
0.0914	14.86	141000	0.0586	0.0669
0.0867	14.92	141500	0.0587	0.0669
0.0877	14.97	142000	0.0587	0.0669

Framework versions

Transformers 4.18.0
Pytorch 1.11.0+cu113
Datasets 2.1.0
Tokenizers 0.12.1

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: cc62398

Характеристики

Ссылки

wav2vec2-large-danish-npsc-nst

Бенчмарки

Тесты пользователейпока нет

Добавьте модель в бенчмарк

Опишите свои задачи

Запустите и опубликуйте

Публичные оценки

Что умеет модель

Сценарии применения

Ограничения

Для каких профессий подходит6

Также подходит для

Карточка модели

wav2vec2-large-danish-npsc-nst

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

Как запустить