/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Опубликована
11 июн 2022

wav2vec2-ksponspeech

Распознавание речиАудио → текст7 профессий

Дообученная на Ksponspeech модель Wav2Vec2 для распознавания корейской речи и преобразования аудио в текст.

40скачиваний за 30 дней6лайковвеса обновлены21 июн 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.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — 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

Taeham/wav2vec2-ksponspeech — модель распознавания корейской речи, созданная дообучением Wav2vec2-large-xlsr-53 на данных Ksponspeech. Она принимает аудио и преобразует речь в текст; карточка указывает на обучение на двух частях обучающей выборки Ksponspeech и сообщает WER 0,373 на сторонних тестовых данных. Архитектура — Wav2Vec2ForCTC, размер — 403,1 млн параметров; модель опубликована в формате PyTorch и рассчитана на корейский язык.

Модель подходит для транскрибации корейской речи и получения черновых расшифровок аудиозаписей. Точность может улучшаться при унификации записи чисел и символов, нормализации пунктуации и исправлении слов по контексту; указанный WER показывает, что распознанный текст может требовать постобработки. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация корейских аудиозаписей
  • распознавание корейской речи в тестовых и исследовательских проектах
  • создание черновых субтитров на корейском языке

Ограничения

На сторонних тестовых данных указан WER 0,373; распознанный текст может нуждаться в исправлении и нормализации чисел, символов и пунктуации.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

wav2vec2-ksponspeech

This model is a fine-tuned version of Wav2vec2-large-xlsr-53 on the None dataset.
It achieves the following results on the evaluation set:

  • WER(Word Error Rate) for Third party test data : 0.373

For improving WER:

  • Numeric / Character Unification
  • Decoding the word with the correct notation (from word based on pronounciation)
  • Uniform use of special characters (. / ?)
  • Converting non-existent words to existing words

Model description

Korean Wav2vec with Ksponspeech dataset.

This model was trained by two dataset :

Hardward Specification

  • GPU : GEFORCE RTX 3080ti 12GB
  • CPU : Intel i9-12900k
  • RAM : 32GB

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0003
  • train_batch_size: 4
  • eval_batch_size: 4
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 500
  • num_epochs: 30
  • mixed_precision_training: Native AMP

Framework versions

  • Transformers 4.19.4
  • Pytorch 1.11.0
  • Datasets 2.2.2
  • 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
6e79567

0 моделей