/ Модель

Характеристики

Параметры
226 млн
Лицензия
Apache 2.0
Архитектура
sew · dense
Опубликована
2 мар 2022

sew-mid-100k

ЭмбеддингиТекст → embedding3 профессии

Предварительно обученный речевой энкодер SEW-mid от ASAPP Research для извлечения признаков из аудио и дообучения под задачи распознавания и анализа речи.

94скачиваний за 30 дней0лайковвеса обновлены1 июн 2023

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-mid — предварительно обученная модель обработки речи от ASAPP Research на архитектуре SEW (Squeezed and Efficient Wav2vec), разработанной как более эффективный вариант wav2vec 2.0. Модель содержит 226,5 млн параметров и обучена на речевом аудио с частотой дискретизации 16 кГц; для входных записей также требуется частота 16 кГц.

Это базовый речевой энкодер, предназначенный для дообучения под конкретные задачи: автоматическое распознавание речи, идентификацию говорящего, классификацию намерений и распознавание эмоций. Репозиторий помечен задачей извлечения признаков, поэтому сам по себе чекпойнт не является готовой ASR-системой. В исследовании SEW показала более быстрое инференсное выполнение и улучшение word error rate относительно wav2vec 2.0 в указанных авторами настройках на LibriSpeech.

Модель работает с аудио и выдаёт речевые представления для последующей обработки. В карточке указаны английский язык и набор данных LibriSpeech ASR. Распространяется по лицензии Apache-2.0; для практического применения к целевой задаче требуется дообучение.

Сценарии применения

  • извлечение признаков из английской речи
  • дообучение системы распознавания речи на аудио 16 кГц
  • идентификация говорящего по голосу
  • классификация намерений в голосовых запросах
  • распознавание эмоций в речи

Ограничения

Модель требует аудио с частотой дискретизации 16 кГц и дообучения для конкретной downstream-задачи; готовый распознаватель речи из неё напрямую не получается.

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-mid

SEW 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 SEWForCTC.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
SEWModel
Ревизия весов
05e3998

0 моделей