/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Опубликована
3 авг 2022

URDU-ASR

Распознавание речиАудио → текст4 профессии

Дообученная Wav2Vec2-модель для распознавания речи на урду и её транскрибирования в текст.

20скачиваний за 30 дней0лайковвеса обновлены4 авг 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

Talha/URDU-ASR — дообученная модель распознавания речи на базе facebook/wav2vec2-large-xlsr-53. Она использует архитектуру Wav2Vec2ForCTC и предназначена для преобразования аудиозаписей на урду в текст. В README приведены результаты оценки на отложенной выборке: WER 0,2423, CER 0,0842 и loss 0,2822; автор сообщает о разбиении данных на обучающую и оценочную части в пропорции 80:20.

Модель содержит около 402,7 млн параметров, распространяется в формате PyTorch и опубликована по лицензии Apache-2.0. README не называет использованный датасет и не описывает дополнительные сценарии применения; результаты оценки относятся к указанному автором разбиению данных.

Сценарии применения

  • транскрибирование аудиозаписей на урду
  • распознавание устной речи на урду
  • получение текстовой расшифровки записей на урду

Ограничения

В README не указано название использованного датасета, поэтому область применимости приведённых метрик и обобщающая способность модели неясны. Автор сообщает WER 0,2423 и CER 0,0842 на собственном разбиении данных 80:20.

Для каких профессий подходит4

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

output

This model is a fine-tuned version of facebook/wav2vec2-large-xlsr-53 on the None dataset. It achieves the following results on the evaluation set:

  • Loss: 0.2822
  • Wer: 0.2423
  • Cer: 0.0842

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

I have used dataset other than mozila common voice, thats why for fair evaluation, i do 80:20 split.

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0003
  • train_batch_size: 48
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 192
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 15
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepCerValidation LossWer
No log1.01740.98603.12571.0
No log2.03480.94042.49140.9997
No log3.05220.18890.59700.5376
No log4.06960.14280.44620.4121
No log5.08700.12110.37750.3525
1.76.010440.11130.35940.3264
1.77.012180.10320.33540.3013
1.78.013920.10050.31710.2843
1.79.015660.09530.31150.2717
1.710.017400.09340.30580.2671
1.711.019140.09260.30600.2656
0.358512.020880.08990.30700.2566
0.358513.022620.08880.29790.2509
0.358514.024360.08680.30050.2473
0.358515.026100.28220.24230.0842

Framework versions

  • Transformers 4.21.0
  • Pytorch 1.12.0
  • Datasets 2.4.0
  • 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
2afe3a8

0 моделей