Характеристики

Контекст: 1 024 токена
Архитектура: speech-encoder-decoder · dense

Ссылки

Hugging Face

xls-r-300m-npsc-seq2seq

Rolv-Arild

Распознавание речиАудио → текст4 профессии

Модель Rolv-Arild/xls-r-300m-npsc-seq2seq распознаёт речь и преобразует аудио в текст.

72скачиваний за 30 дней0лайковвеса обновлены18 фев 2022

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

Rolv-Arild/xls-r-300m-npsc-seq2seq — модель распознавания речи на основе архитектуры SpeechEncoderDecoderModel. Она принимает аудио и предназначена для преобразования речи в текст. В карточке указано, что модель обучалась с нуля; размер 300 млн параметров следует из идентификатора, а валидационная WER составляет 0,3144, loss — 0,2965.

Карточка не описывает набор данных, поддерживаемые языки, контекст или целевые сценарии. Модель опубликована в формате PyTorch и помечена как использующая Transformers. Условия лицензии в предоставленных данных не указаны.

Сценарии применения

транскрибирование аудиозаписей
преобразование речи в текст
оценка качества распознавания речи

Ограничения

Валидационная WER составляет 0,3144; целевые языки и условия использования не описаны в предоставленных данных.

Для каких профессий подходит4

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 II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

This model was trained from scratch on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.2965
Wer: 0.3144

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: 8
eval_batch_size: 8
seed: 42
gradient_accumulation_steps: 8
total_train_batch_size: 64
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 1000
num_epochs: 20.0
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Wer
2.888	0.51	400	3.7320	0.9440
3.1636	1.02	800	2.9188	1.1916
2.773	1.53	1200	2.3347	1.0134
0.7198	2.04	1600	0.6678	0.4826
0.5255	2.55	2000	0.4605	0.4135
0.3961	3.06	2400	0.4266	0.3955
0.3424	3.57	2800	0.3786	0.3741
0.3858	4.08	3200	0.3161	0.3552
0.3218	4.59	3600	0.3029	0.3510
0.199	5.1	4000	0.2988	0.3418
0.2054	5.61	4400	0.2873	0.3434
0.1704	6.12	4800	0.3129	0.3432
0.1805	6.63	5200	0.2963	0.3413
0.2091	7.14	5600	0.2755	0.3329
0.1971	7.65	6000	0.2706	0.3309
0.1237	8.16	6400	0.2823	0.3270
0.123	8.67	6800	0.2754	0.3246
0.103	9.18	7200	0.2917	0.3272
0.1143	9.69	7600	0.2885	0.3305
0.156	10.2	8000	0.2810	0.3288
0.167	10.71	8400	0.2689	0.3232
0.0815	11.22	8800	0.2899	0.3236
0.0844	11.73	9200	0.2798	0.3225
0.0775	12.24	9600	0.2894	0.3224
0.0677	12.75	10000	0.2838	0.3204
0.1383	13.27	10400	0.2959	0.3211
0.1233	13.77	10800	0.2922	0.3213
0.0688	14.29	11200	0.2903	0.3209
0.0655	14.8	11600	0.2868	0.3182
0.0449	15.31	12000	0.2959	0.3172
0.0421	15.82	12400	0.2966	0.3180
0.0858	16.33	12800	0.2941	0.3164
0.0859	16.84	13200	0.2980	0.3165
0.0561	17.35	13600	0.2965	0.3165
0.0506	17.86	14000	0.2935	0.3148
0.0312	18.37	14400	0.2964	0.3154
0.0403	18.88	14800	0.2967	0.3160
0.0924	19.39	15200	0.2955	0.3147
0.0585	19.9	15600	0.2965	0.3144

Framework versions

Transformers 4.17.0.dev0
Pytorch 1.10.0+cu113
Datasets 1.18.1
Tokenizers 0.11.0

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры: SpeechEncoderDecoderModel
Ревизия весов: 6d3acfc

Характеристики

Ссылки

xls-r-300m-npsc-seq2seq

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 подходит4

Карточка модели

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

Как запустить