/ Модель

Характеристики

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

wav2vec2-xlsr-300m-finnish

Распознавание речиАудио → текст7 профессий

Дообученная Wav2Vec2 XLS-R модель для преобразования финской речи в текст.

13скачиваний за 30 дней0лайковвеса обновлены28 мар 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

Модель aapot/wav2vec2-xlsr-300m-finnish разработана Aapo Tanskanen и Rasmus Toivanen как акустическая модель распознавания финской речи. Это дообученная версия facebook/wav2vec2-xls-r-300m на 275,6 часах размеченной финской речи; архитектура Wav2Vec2ForCTC содержит около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст.

Модель предназначена для транскрибации финской речи, в том числе коротких записей. В README приведена оценка на тестовой части Common Voice 7.0; для этой модели указаны WER 17,92 и CER 3,36 без языковой модели, а с KenLM-декодированием — WER 8,16 и CER 1,97. Для декодирования с языковой моделью авторы также указывают отдельную версию Finnish-NLP/wav2vec2-xlsr-300m-finnish-lm.

Обучающие аудиофрагменты ограничивались длиной 20 секунд, поэтому модель, вероятно, лучше работает на коротких записях. Большая часть обучающих данных получена из заседаний финского парламента, что может ухудшать распознавание повседневной речи, диалектов, а также речи детей и женщин. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация коротких записей на финском языке
  • распознавание финской речи в записях заседаний
  • создание субтитров к финскоязычным аудиозаписям

Ограничения

Модель обучалась на аудиофрагментах длиной до 20 секунд и преимущественно на записях заседаний финского парламента, поэтому может хуже распознавать длинные записи, повседневную речь и диалекты. По данным README, распознавание также может быть менее точным для детской и женской речи.

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 XLS-R for Finnish ASR

This acoustic model is a fine-tuned version of facebook/wav2vec2-xls-r-300m for Finnish ASR. The model has been fine-tuned with 275.6 hours of Finnish transcribed speech data. Wav2Vec2 XLS-R was introduced in this paper and first released at this page.

Note: there is a version with KenLM language model used in the decoding phase producing better transcriptions: Finnish-NLP/wav2vec2-xlsr-300m-finnish-lm

Model description

Wav2Vec2 XLS-R is Facebook AI's large-scale multilingual pretrained model for speech. It is pretrained on 436k hours of unlabeled speech, including VoxPopuli, MLS, CommonVoice, BABEL, and VoxLingua107. It uses the wav2vec 2.0 objective, in 128 languages.

You can read more about the pretrained model from this blog and this paper.

This model is fine-tuned version of the pretrained model (300 million parameter variant) for Finnish ASR.

Intended uses & limitations

You can use this model for Finnish ASR (speech-to-text) task.

How to use

Check the run-finnish-asr-models.ipynb notebook in this repository for an detailed example on how to use this model.

Limitations and bias

This model was fine-tuned with audio samples which maximum length was 20 seconds so this model most likely works the best for quite short audios of similar length. However, you can try this model with a lot longer audios too and see how it works. If you encounter out of memory errors with very long audio files you can use the audio chunking method introduced in this blog post.

A vast majority of the data used for fine-tuning was from the Finnish Parliament dataset so this model may not generalize so well to very different domains like common daily spoken Finnish with dialects etc. In addition, audios of the datasets tend to be adult male dominated so this model may not work as well for speeches of children and women, for example.

Training data

This model was fine-tuned with 275.6 hours of Finnish transcribed speech data from following datasets:

DatasetHours% of total hours
Common Voice 7.0 Finnish train + evaluation + other splits9.70 h3.52 %
Finnish parliament session 20.24 h0.09 %
VoxPopuli Finnish21.97 h7.97 %
CSS10 Finnish10.32 h3.74 %
Aalto Finnish Parliament ASR Corpus228.00 h82.73 %
Finnish Broadcast Corpus5.37 h1.95 %

Datasets were filtered to include maximum length of 20 seconds long audio samples.

Training procedure

This model was trained during Robust Speech Challenge Event organized by Hugging Face. Training was done on a Tesla V100 GPU, sponsored by OVHcloud.

Training script was provided by Hugging Face and it is available here. We only modified its data loading for our custom datasets.

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 5e-04
  • train_batch_size: 32
  • eval_batch_size: 32
  • seed: 42
  • optimizer: 8-bit Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 500
  • num_epochs: 10
  • mixed_precision_training: Native AMP

The pretrained facebook/wav2vec2-xls-r-300m model was initialized with following hyperparameters:

  • attention_dropout: 0.094
  • hidden_dropout: 0.047
  • feat_proj_dropout: 0.04
  • mask_time_prob: 0.082
  • layerdrop: 0.041
  • activation_dropout: 0.055
  • ctc_loss_reduction: "mean"

Training results

Training LossEpochStepValidation LossWer
0.9730.175000.57500.6844
0.7130.3410000.33560.4518
0.65630.515000.30070.4039
0.6420.6720000.26190.3674
0.62030.8425000.24880.3558
0.60161.0130000.27950.3835
0.54231.1735000.26520.3310
0.56391.3440000.24790.3462
0.5861.5145000.24090.3295
0.51691.6850000.27280.3352
0.51761.8455000.22540.3149
0.49832.0160000.21690.3009
0.49822.1865000.22150.3079
0.48982.3570000.21740.3023
0.49222.5175000.22170.3081
0.50252.6880000.20020.2710
0.47452.8585000.19350.2783
0.43773.0290000.18590.2742
0.45113.1895000.20380.2786
0.44113.35100000.18630.2651
0.45013.52105000.19480.2605
0.45573.69110000.18720.2695
0.44933.85115000.18880.2632
0.40474.02120000.18180.2559
0.43194.19125000.18960.2648
0.41624.36130000.19530.2595
0.40464.52135000.18640.2606
0.41954.69140000.18430.2467
0.41464.86145000.16860.2450
0.3785.03150000.17310.2401
0.37925.19155000.16760.2325
0.38555.36160000.17400.2326
0.40295.53165000.16740.2345
0.3865.7170000.17350.2280
0.38115.86175000.16920.2258
0.36076.03180000.17970.2279
0.36046.2185000.16510.2206
0.33626.37190000.16270.2199
0.36116.53195000.16520.2172
0.36716.7200000.15640.2140
0.37696.87205000.15250.2101
0.35397.04210000.16390.2096
0.32257.21215000.16110.2087
0.33237.37220000.16330.2008
0.33277.54225000.16920.1975
0.34567.71230000.15550.1991
0.30587.88235000.15900.1959
0.30348.04240000.15310.1973
0.29258.21245000.15830.1978
0.29678.38250000.15460.1906
0.29748.55255000.15400.1869
0.31318.71260000.15340.1850
0.33068.88265000.14820.1844
0.28429.05270000.14900.1854
0.28799.22275000.14630.1799
0.279.38280000.14540.1798
0.28749.55285000.15040.1787
0.27579.72290000.15120.1784
0.30179.89295000.14840.1800

Framework versions

  • Transformers 4.17.0.dev0
  • Pytorch 1.10.2+cu102
  • Datasets 1.18.3
  • Tokenizers 0.11.0

Evaluation results

Evaluation was done with the Common Voice 7.0 Finnish test split.

To evaluate this model, run the eval.py script in this repository:

python3 eval.py --model_id aapot/wav2vec2-xlsr-300m-finnish --dataset mozilla-foundation/common_voice_7_0 --config fi --split test

This model (the third row of the table) achieves the following WER (Word Error Rate) and CER (Character Error Rate) results compared to our other models:

WER (with LM)WER (without LM)CER (with LM)CER (without LM)
aapot/wav2vec2-xlsr-1b-finnish-lm-v24.099.730.881.65
aapot/wav2vec2-xlsr-1b-finnish-lm5.6513.111.202.23
aapot/wav2vec2-xlsr-300m-finnish-lm8.1617.921.973.36

Team Members

Feel free to contact us for more details 🤗

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
c2724bb

0 моделей