/ Модель

Характеристики

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

wav2vec2-xls-r-300m-mt-cv8-with-lm

Распознавание речиАудио → текст4 профессии

Дообученная Wav2Vec2-модель распознаёт мальтийскую речь и преобразует аудио в текст.

18скачиваний за 30 дней0лайковвеса обновлены24 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

anuragshas/wav2vec2-xls-r-300m-mt-cv8-with-lm — модель автоматического распознавания речи, созданная Anurag Shastri на основе facebook/wav2vec2-xls-r-300m и дообученная на мальтийской части Mozilla Common Voice 8.0. Это плотная модель Wav2Vec2 с CTC-декодированием, принимающая аудио и выдающая распознанный текст на мальтийском языке. В названии и оценке указано применение языковой модели при декодировании: на тестовом наборе Common Voice 8.0 WER составил 15,967% с LM и 19,853% без неё.

Модель подходит для транскрибирования мальтийской речи и оценки систем распознавания на тестовом наборе Common Voice. Репозиторий содержит веса PyTorch; в метаданных указано 402,7 млн параметров и лицензия Apache-2.0. Результаты приведены для конкретного тестового набора и не гарантируют такое же качество на иных типах записи, акцентах или условиях шума.

Сценарии применения

  • транскрибирование мальтийской речи
  • распознавание мальтийской речи в записях Common Voice
  • оценка качества ASR для мальтийского языка

Ограничения

Указанные метрики получены на тестовом наборе Common Voice 8.0; качество на других записях и акустических условиях может отличаться. Для результата с WER 15,967% использовалась языковая модель при декодировании.

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

XLS-R-300M - Maltese

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

  • Loss: 0.1895
  • Wer: 0.1984

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: 60.0
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWer
3.42193.64003.31271.0
3.03997.218003.03301.0
1.575610.8112000.61080.5724
1.099514.4116000.30910.3154
0.963918.0220000.25960.2841
0.903221.6224000.22700.2514
0.814525.2328000.21720.2483
0.784528.8332000.20840.2333
0.769432.4336000.19740.2234
0.733336.0440000.20200.2185
0.69339.6444000.19470.2148
0.680243.2448000.19600.2102
0.66746.8552000.19040.2072
0.648650.4556000.18810.2009
0.633954.0560000.18770.1989
0.625457.6664000.18930.2003

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-xls-r-300m-mt-cv8-with-lm --dataset mozilla-foundation/common_voice_8_0 --config mt --split test

Inference With LM

import torch
from datasets import load_dataset
from transformers import AutoModelForCTC, AutoProcessor
import torchaudio.functional as F
model_id = "anuragshas/wav2vec2-xls-r-300m-mt-cv8-with-lm"
sample_iter = iter(load_dataset("mozilla-foundation/common_voice_8_0", "mt", 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
# => "għadu jilagħbu ċirku tant bilfondi"

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

Without LMWith LM (run ./eval.py)
19.85315.967

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
095796f

0 моделей