/ Модель

Характеристики

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

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

Распознавание речиАудио → текст4 профессии

Дообученная wav2vec 2.0 модель для расшифровки словацкой речи в текст.

19скачиваний 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-xls-r-300m-sk-cv8-with-lm — акустическая модель распознавания речи на базе facebook/wav2vec2-xls-r-300m, дообученная на словацкой части Mozilla Common Voice 8.0. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров; входом служит аудио, а результатом — текстовая расшифровка речи на словацком языке.

Модель предназначена для автоматического распознавания словацкой речи. В карточке приведены результаты на тестовой выборке Common Voice 8: WER 26,707 без языковой модели и 18,609 при оценке с языковой моделью. Репозиторий включает веса PyTorch, лицензия — Apache-2.0. Ограничения и дополнительные сценарии применения в карточке не описаны.

Сценарии применения

  • расшифровка словацких аудиозаписей
  • распознавание словацкой речи в записях Common Voice
  • транскрибация словацких голосовых сообщений

Ограничения

На тестовой выборке Common Voice 8 WER составляет 26,707 без языковой модели и 18,609 с ней, поэтому расшифровки могут содержать ошибки. Результат с языковой моделью предполагает её отдельное использование 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 - Slovak

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

  • Loss: 0.3067
  • Wer: 0.2678

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: 1500
  • num_epochs: 60.0
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWer
5.1752.414004.69091.0
3.37854.828003.30801.0
2.69647.2312002.06511.1055
1.30089.6416000.58450.6207
1.118512.0520000.41950.4193
1.025214.4624000.38240.3570
0.93516.8728000.36930.3462
0.881819.2832000.35870.3318
0.853421.6936000.34200.3180
0.813724.140000.34260.3130
0.796826.5144000.33490.3102
0.755828.9248000.32160.3019
0.731331.3352000.34510.3060
0.735833.7356000.32720.2967
0.71836.1460000.33150.2882
0.699138.5564000.32990.2830
0.652940.9668000.31400.2836
0.622543.3772000.31280.2751
0.63345.7876000.32110.2774
0.587648.1980000.31620.2764
0.58850.684000.30820.2722
0.591553.0188000.31200.2681
0.579855.4292000.31330.2709
0.573657.8396000.30860.2676

Framework versions

  • Transformers 4.17.0.dev0
  • Pytorch 1.10.2+cu102
  • Datasets 1.18.4.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-sk-cv8-with-lm --dataset mozilla-foundation/common_voice_8_0 --config sk --split test
  1. To evaluate on speech-recognition-community-v2/dev_data
python eval.py --model_id anuragshas/wav2vec2-xls-r-300m-sk-cv8-with-lm --dataset speech-recognition-community-v2/dev_data --config sk --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-xls-r-300m-sk-cv8-with-lm"
sample_iter = iter(load_dataset("mozilla-foundation/common_voice_8_0", "sk", 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
# => ""

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

Without LMWith LM (run ./eval.py)
26.70718.609

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
e1926c3

0 моделей