/ Модель

Характеристики

Контекст
512 токенов
Параметры
101 млн
Лицензия
Apache 2.0
Архитектура
sew-d · dense

sew-d-mid-100k

ЭмбеддингиТекст → embedding3 профессии

Предварительно обученная SEW-D-модель извлекает признаки из речи и служит основой для дообучения под распознавание и другие задачи анализа аудио.

22скачиваний за 30 дней0лайковвеса обновлены28 окт 2021

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 «Эмбеддинги» — 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

SEW-D-mid — предварительно обученная модель обработки речи от ASAPP Research на архитектуре SEW-D, разработанной как более быстрая и эффективная альтернатива wav2vec 2.0. Модель содержит около 100,7 млн параметров и обучена на аудио с частотой дискретизации 16 кГц; входные записи для неё также должны быть приведены к 16 кГц.

Чекпойнт предназначен для извлечения признаков из речи и последующего дообучения под прикладные задачи: автоматическое распознавание речи, идентификацию говорящего, классификацию намерений или эмоций. В статье об архитектуре SEW сообщается об ускорении инференса и улучшении качества распознавания на LibriSpeech по сравнению с wav2vec 2.0, однако эти результаты относятся к экспериментам статьи и не гарантируют качество данного чекпойнта без дообучения. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0.

Сценарии применения

  • извлечение признаков из речи для последующей классификации
  • подготовка модели распознавания речи на английском языке
  • идентификация говорящего после дообучения
  • классификация намерений в голосовых запросах после дообучения
  • распознавание эмоций в речи после дообучения

Ограничения

Модель требует речевого аудио с частотой дискретизации 16 кГц и рассчитана на дообучение для конкретной задачи; сама по себе не является готовой системой распознавания речи.

Для каких профессий подходит3

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

SEW-D-mid

SEW-D by ASAPP Research

The base model pretrained on 16kHz sampled speech audio. When using the model make sure that your speech input is also sampled at 16Khz. Note that this model should be fine-tuned on a downstream task, like Automatic Speech Recognition, Speaker Identification, Intent Classification, Emotion Recognition, etc...

Paper: Performance-Efficiency Trade-offs in Unsupervised Pre-training for Speech Recognition

Authors: Felix Wu, Kwangyoun Kim, Jing Pan, Kyu Han, Kilian Q. Weinberger, Yoav Artzi

Abstract This paper is a study of performance-efficiency trade-offs in pre-trained models for automatic speech recognition (ASR). We focus on wav2vec 2.0, and formalize several architecture designs that influence both the model performance and its efficiency. Putting together all our observations, we introduce SEW (Squeezed and Efficient Wav2vec), a pre-trained model architecture with significant improvements along both performance and efficiency dimensions across a variety of training setups. For example, under the 100h-960h semi-supervised setup on LibriSpeech, SEW achieves a 1.9x inference speedup compared to wav2vec 2.0, with a 13.5% relative reduction in word error rate. With a similar inference time, SEW reduces word error rate by 25-50% across different model sizes.

The original model can be found under https://github.com/asappresearch/sew#model-checkpoints .

Usage

See this blog for more information on how to fine-tune the model. Note that the class Wav2Vec2ForCTC has to be replaced by SEWDForCTC.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
SEWDModel
Ревизия весов
5fcfbf9

0 моделей