/ Модель

Характеристики

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

wav2vec2-xls-r-300m-bengali

Распознавание речиАудио → текст9 профессий

Дообученная wav2vec2-xls-r-300m модель для распознавания бенгальской речи и преобразования её в текст.

590 тыс.скачиваний за 30 дней10лайковвеса 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

Это модель автоматического распознавания речи на бенгальском языке, созданная дообучением facebook/wav2vec2-xls-r-300m командой или автором arijitx на наборе OPENSLR_SLR53. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, преобразуя речь в текст. В метаданных указано 402,8 млн параметров; модель доступна в формате PyTorch.

Модель предназначена для транскрибации бенгальской речи. На тестовой выборке без языковой модели автор сообщает WER 0,217 и CER 0,047; с пятиграммовой языковой моделью, обученной на данных AI4Bharat IndicCorp, показатели составили WER 0,153 и CER 0,034. Для использования результата с языковой моделью потребуется соответствующая внешняя языковая модель.

Модель распространяется по лицензии Apache-2.0. Оценка проведена на 5% из 10 935 примеров; README приводит неоднозначное описание разбиения, поэтому точную процедуру формирования тестовой выборки следует учитывать при сравнении результатов.

Сценарии применения

  • транскрибация бенгальских аудиозаписей
  • распознавание речи в бенгальских интервью
  • создание субтитров к бенгалоязычному аудио
  • преобразование бенгальских голосовых сообщений в текст

Ограничения

Показатели качества зависят от акустических условий и используемой языковой модели; приведённые результаты получены на ограниченной тестовой выборке, а описание её разбиения в README неоднозначно.

Для каких профессий подходит9

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

This model is a fine-tuned version of facebook/wav2vec2-xls-r-300m on the OPENSLR_SLR53 - bengali dataset. It achieves the following results on the evaluation set.

Without language model :

  • WER: 0.21726385291857586
  • CER: 0.04725010353701041

With 5 gram language model trained on 30M sentences randomly chosen from AI4Bharat IndicCorp dataset :

  • WER: 0.15322879016421437
  • CER: 0.03413696666806267

Note : 5% of a total 10935 samples have been used for evaluation. Evaluation set has 10935 examples which was not part of training training was done on first 95% and eval was done on last 5%. Training was stopped after 180k steps. Output predictions are available under files section.

Training hyperparameters

The following hyperparameters were used during training:

  • dataset_name="openslr"
  • model_name_or_path="facebook/wav2vec2-xls-r-300m"
  • dataset_config_name="SLR53"
  • output_dir="./wav2vec2-xls-r-300m-bengali"
  • overwrite_output_dir
  • num_train_epochs="50"
  • per_device_train_batch_size="32"
  • per_device_eval_batch_size="32"
  • gradient_accumulation_steps="1"
  • learning_rate="7.5e-5"
  • warmup_steps="2000"
  • length_column_name="input_length"
  • evaluation_strategy="steps"
  • text_column_name="sentence"
  • chars_to_ignore , ? . ! - ; : " “ % ‘ ” � — ’ … –
  • save_steps="2000"
  • eval_steps="3000"
  • logging_steps="100"
  • layerdrop="0.0"
  • activation_dropout="0.1"
  • save_total_limit="3"
  • freeze_feature_encoder
  • feat_proj_dropout="0.0"
  • mask_time_prob="0.75"
  • mask_time_length="10"
  • mask_feature_prob="0.25"
  • mask_feature_length="64"
  • preprocessing_num_workers 32

Framework versions

  • Transformers 4.16.0.dev0
  • Pytorch 1.10.1+cu102
  • Datasets 1.17.1.dev0
  • Tokenizers 0.11.0

Notes

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
45ed7c7

0 моделей