/ Модель

Характеристики

Параметры
403 млн
Лицензия
MIT
Архитектура
wav2vec2 · dense
Опубликована
18 мая 2023

wav2vec2-large-xlsr-53-amharic

Распознавание речиАудио → текст5 профессий

Дообученная Wav2Vec2 XLSR-53 для транскрипции амхарской речи.

49 653скачиваний за 30 дней5лайковвеса обновлены31 авг 2023

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

agkphysics/wav2vec2-large-xlsr-53-amharic — модель распознавания амхарской речи, созданная дообучением Wav2Vec2 XLSR-53 на корпусе Amharic Speech Corpus, подготовленном Abate и соавторами. Архитектура — Wav2Vec2ForCTC, число параметров — около 402,9 млн; модель принимает аудио и преобразует речь в текст.

Модель предназначена для автоматической транскрипции амхарской речи, в том числе записей на чтение. На проверочной выборке Amharic Readspeech указаны WER 26% и CER 7%. Распространяется по лицензии MIT.

Сценарии применения

  • транскрипция амхарской речи
  • распознавание записей амхарского чтения
  • получение текстовой расшифровки амхарского аудио

Ограничения

На проверочной выборке Amharic Readspeech показатель WER составляет 26%, поэтому в транскрипциях возможны ошибки. Оценка приведена для указанной выборки и может не отражать качество на других типах аудио.

Для каких профессий подходит5

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

Amharic ASR using fine-tuned Wav2vec2 XLSR-53

This is a finetuned version of facebook/wav2vec2-large-xlsr-53 trained on the Amharic Speech Corpus. This corpus was produced by Abate et al. (2005) (10.21437/Interspeech.2005-467).

The model achieves a WER of 26% and a CER of 7% on the validation set of the Amharic Readspeech data.

Usage

The model can be used as follows:

import librosa
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

model = Wav2Vec2ForCTC.from_pretrained("agkphysics/wav2vec2-large-xlsr-53-amharic")
processor = Wav2Vec2Processor.from_pretrained("agkphysics/wav2vec2-large-xlsr-53-amharic")

audio, _ = librosa.load("/path/to/audio.wav", sr=16000)

input_values = processor(
    audio.squeeze(),
    sampling_rate=16000,
    return_tensors="pt"
).input_values

model.eval()
with torch.no_grad():
    logits = model(input_values).logits
    preds = logits.argmax(-1)
    texts = processor.batch_decode(preds)
print(texts[0])

Training

The code to train this model is available at https://github.com/agkphysics/amharic-asr.

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
8777589

0 моделей