/ Модель

Характеристики

Контекст
512 токенов
Параметры
101 млн
Лицензия
Apache 2.0
Архитектура
sew-d · dense
Опубликована
2 мар 2022

sew-d-mid-400k-ft-ls100h

Распознавание речиАудио → текст6 профессий

SEW-D-mid — эффективная акустическая модель ASR от ASAPP Research для распознавания английской речи из аудио 16 кГц.

307скачиваний за 30 дней1лайквеса обновлены24 мая 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 оценки17

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • SIBFLEURS

    main_score

    Результат

    0,1344

    Общий результат 0,2138Общий результат 0,1858Общий результат 0,17
    MTEB

    Публичная таблицаревизия совпадает

  • VehicleSoundClustering

    main_score

    Результат

    0,0063

    MTEB

    Публичная таблицаревизия совпадает

  • MInDS14

    main_score

    Результат

    0,1106

    Общий результат 0,139Общий результат 0,1195Общий результат 0,1076
    MTEB

    Публичная таблицаревизия совпадает

  • VoxPopuliAccentClustering

    main_score

    Результат

    0,029

    MTEB

    Публичная таблицаревизия совпадает

  • SpokeNEnglish

    main_score

    Результат

    0,9019

    MTEB

    Публичная таблицаревизия совпадает

  • UrbanSound8k

    main_score

    Результат

    0,3058

    MTEB

    Публичная таблицаревизия совпадает

  • SpeechCommands

    main_score

    Результат

    0,652

    MTEB

    Публичная таблицаревизия совпадает

  • GTZANGenre

    main_score

    Результат

    0,434

    MTEB

    Публичная таблицаревизия совпадает

  • VocalSoundAudioReranking

    main_score

    Результат

    0,3512

    MTEB

    Публичная таблицаревизия совпадает

  • GTZANGenreClustering

    main_score

    Результат

    0,1511

    MTEB

    Публичная таблицаревизия совпадает

  • GunshotTriangulation

    main_score

    Результат

    0,7614

    MTEB

    Публичная таблицаревизия совпадает

  • VoxCelebClustering

    main_score

    Результат

    0,0067

    MTEB

    Публичная таблицаревизия совпадает

  • FSD50K

    main_score

    Результат

    0,2162

    MTEB

    Публичная таблицаревизия совпадает

  • MridinghamStroke

    main_score

    Результат

    0,2928

    MTEB

    Публичная таблицаревизия совпадает

  • CommonLanguageAgeDetection

    main_score

    Результат

    0,1627

    MTEB

    Публичная таблицаревизия совпадает

  • JamAltArtistA2ARetrieval

    main_score

    Результат

    0,3721

    MTEB

    Публичная таблицаревизия совпадает

  • AmbientAcousticContextClustering

    main_score

    Результат

    0,1639

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SEW-D-mid — акустическая модель ASR от ASAPP Research, основанная на архитектуре SEW (Squeezed and Efficient Wav2vec), разработанной для повышения эффективности предобученных моделей распознавания речи. В репозитории находится вариант SEW-D с примерно 100,7 млн параметров и архитектурой SEWDForCTC; веса представлены в формате PyTorch. Модель предобучена на речевом аудио с частотой 16 кГц, поэтому входные записи следует приводить к этой частоте дискретизации.

Модель предназначена для преобразования английской речи в текст. Карточка также отмечает, что базовая предобученная модель может быть дообучена для распознавания речи и смежных задач, например идентификации говорящего, классификации намерений и эмоций. В исследовании SEW показано ускорение инференса относительно wav2vec 2.0 при сопоставимом качестве; результаты зависят от размера модели и условий обучения.

Лицензия репозитория — Apache-2.0. Карточка описывает предобученную базовую модель и рекомендует дообучение для целевой задачи, поэтому качество на конкретных данных может потребовать дополнительной настройки.

Сценарии применения

  • транскрибация английских аудиозаписей
  • распознавание речи в записях с частотой 16 кГц
  • создание акустической основы для дообучения ASR
  • дообучение для идентификации говорящего
  • дообучение для классификации намерений или эмоций по речи

Ограничения

Для входного аудио требуется частота дискретизации 16 кГц. Карточка рекомендует дообучить предобученную модель для целевой задачи; качество на конкретном наборе данных не гарантируется.

Для каких профессий подходит6

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

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

To transcribe audio files the model can be used as a standalone acoustic model as follows:

from transformers import Wav2Vec2Processor, SEWDForCTC
from datasets import load_dataset
import soundfile as sf
import torch
 
# load the model and preprocessor
processor = Wav2Vec2Processor.from_pretrained("asapp/sew-d-mid-400k-ft-ls100h")
model = SEWDForCTC.from_pretrained("asapp/sew-d-mid-400k-ft-ls100h")

# load the dummy dataset with speech samples
ds = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")
 
# preprocess
input_values = processor(ds[0]["audio"]["array"], return_tensors="pt").input_values  # Batch size 1

# retrieve logits
logits = model(input_values).logits
 
# take argmax and decode
predicted_ids = torch.argmax(logits, dim=-1)
transcription = processor.batch_decode(predicted_ids)

Evaluation

This code snippet shows how to evaluate asapp/sew-d-mid-400k-ft-ls100hh on LibriSpeech's "clean" and "other" test data.

from datasets import load_dataset
from transformers import SEWDForCTC, Wav2Vec2Processor
import torch
from jiwer import wer

librispeech_eval = load_dataset("librispeech_asr", "clean", split="test")

model = SEWDForCTC.from_pretrained("asapp/sew-d-mid-400k-ft-ls100h").to("cuda")
processor = Wav2Vec2Processor.from_pretrained("asapp/sew-d-mid-400k-ft-ls100h")

def map_to_pred(batch):
    input_values = processor(batch["audio"][0]["array"], sampling_rate=16000, 
                             return_tensors="pt", padding="longest").input_values
    with torch.no_grad():
        logits = model(input_values.to("cuda")).logits

    predicted_ids = torch.argmax(logits, dim=-1)
    transcription = processor.batch_decode(predicted_ids)
    batch["transcription"] = transcription
    return batch

result = librispeech_eval.map(map_to_pred, batched=True, batch_size=1, remove_columns=["audio"])

print("WER:", wer(result["text"], result["transcription"]))

Result (WER):

"clean""other"
4.9411.51

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
SEWDForCTC
Ревизия весов
b2ff9fd

0 моделей