/ Модель

Характеристики

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

wav2vec2-large-xls-r-300m-bg

Распознавание речиАудио → текст5 профессий

Дообученная на болгарской речи модель Wav2Vec2 для автоматической транскрипции аудио в текст.

841скачиваний за 30 дней0лайковвеса обновлены23 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 anuragshas/wav2vec2-large-xls-r-300m-bg — акустическая модель распознавания речи на базе Wav2Vec2, дообученная на болгарском разделе датасета Mozilla Common Voice 8.0. Базовая модель — facebook/wav2vec2-xls-r-300m; архитектура использует CTC для преобразования аудиоречи в текст. В репозитории указано 402,7 млн параметров и формат PyTorch.

Модель предназначена для автоматической транскрипции болгарской речи, в частности записей, похожих на данные Common Voice. На тестовой выборке Common Voice 8 автор приводит WER 30,07% без языковой модели и 21,195% с языковой моделью; также указаны loss 0,2473 и WER 0,3002 на оценочной выборке. Эти результаты зависят от набора данных и процедуры оценки.

Для использования требуются аудиоданные; результатом является текстовая транскрипция. Модель опубликована под лицензией Apache-2.0. Карточка содержит мало сведений о практических ограничениях и рекомендуемых условиях применения, поэтому качество на иных акцентах, условиях записи и типах речи по этим данным оценить нельзя.

Сценарии применения

  • транскрибация болгарских аудиозаписей
  • распознавание болгарской речи из записей, похожих на Common Voice
  • подготовка текстовых субтитров к болгарской речи

Ограничения

В карточке приведены метрики только для Common Voice 8.0; переносимость качества на другие условия записи и разновидности болгарской речи не описана. Заявленный WER зависит от оценки с языковой моделью: автор приводит 30,07% без неё и 21,195% с ней.

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

XLS-R-300M - Bulgarian

This model is a fine-tuned version of facebook/wav2vec2-xls-r-300m on the MOZILLA-FOUNDATION/COMMON_VOICE_8_0 - BG dataset. It achieves the following results on the evaluation set:

  • Loss: 0.2473
  • Wer: 0.3002

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: 7.5e-05
  • train_batch_size: 32
  • eval_batch_size: 16
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 1000
  • num_epochs: 50.0
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWer
3.15893.484003.08301.0
2.89216.968002.66050.9982
1.304910.4312000.50690.5707
1.134913.9116000.41590.5041
1.068617.3920000.38150.4746
0.99920.8724000.35410.4343
0.94524.3528000.32660.4132
0.905827.8332000.29690.3771
0.867231.336000.28020.3553
0.831334.7840000.26620.3380
0.806838.2644000.25280.3181
0.779641.7448000.25370.3073
0.762145.2252000.25030.3036
0.761148.756000.24770.2991

Framework versions

  • Transformers 4.17.0.dev0
  • Pytorch 1.10.2+cu102
  • Datasets 1.18.2.dev0
  • Tokenizers 0.11.0

Evaluation Commands

  1. To evaluate on mozilla-foundation/common_voice_8_0 with split test
python eval.py --model_id anuragshas/wav2vec2-large-xls-r-300m-bg --dataset mozilla-foundation/common_voice_8_0 --config bg --split test
  1. To evaluate on speech-recognition-community-v2/dev_data
python eval.py --model_id anuragshas/wav2vec2-large-xls-r-300m-bg --dataset speech-recognition-community-v2/dev_data --config bg --split validation --chunk_length_s 5.0 --stride_length_s 1.0

Inference With LM

import torch
from datasets import load_dataset
from transformers import AutoModelForCTC, AutoProcessor
import torchaudio.functional as F
model_id = "anuragshas/wav2vec2-large-xls-r-300m-bg"
sample_iter = iter(load_dataset("mozilla-foundation/common_voice_8_0", "bg", split="test", streaming=True, use_auth_token=True))
sample = next(sample_iter)
resampled_audio = F.resample(torch.tensor(sample["audio"]["array"]), 48_000, 16_000).numpy()
model = AutoModelForCTC.from_pretrained(model_id)
processor = AutoProcessor.from_pretrained(model_id)
input_values = processor(resampled_audio, return_tensors="pt").input_values
with torch.no_grad():
    logits = model(input_values).logits
transcription = processor.batch_decode(logits.numpy()).text
# => "и надутият му ката блоонкурем взе да се събира"

Eval results on Common Voice 8 "test" (WER):

Without LMWith LM (run ./eval.py)
30.0721.195

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
6891874

0 моделей