/ Модель

Характеристики

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

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

Распознавание речиАудио → текст3 профессии

Дообученная на Common Voice 8.0 модель Wav2Vec2 для распознавания словацкой речи в аудиозаписях.

297 тыс.скачиваний за 30 дней0лайковвеса обновлены24 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 comodoro/wav2vec2-xls-r-300m-sk-cv8 разработана на основе facebook/wav2vec2-xls-r-300m и дообучена на обучающей и валидационной выборках Common Voice 8.0. Это аудиомодель распознавания речи на архитектуре Wav2Vec2 с выходной головой CTC; в репозитории представлены веса PyTorch, число параметров — около 402,7 млн.

Модель предназначена для автоматической транскрипции речи на словацком языке. Её можно применять для распознавания записей речи и оценки систем ASR на тестовой части Common Voice 8.0 с конфигурацией sk. В README приведены WER около 0,496 и CER около 0,133 на оценочной выборке.

Модель распространяется по лицензии Apache-2.0. В опубликованной оценке ошибка распознавания заметная, поэтому качество транскрипции может быть ограниченным; оценка дана на конкретном тестовом наборе Common Voice и не гарантирует качество на иных условиях записи или тематиках.

Сценарии применения

  • транскрибация записей речи на словацком языке
  • распознавание словацкой речи в тестовых наборах
  • оценка качества систем автоматического распознавания речи

Ограничения

На тестовом наборе Common Voice 8.0 указаны WER около 0,496 и CER около 0,133, что говорит о заметных ошибках распознавания. Качество вне этого набора и при иных условиях записи может отличаться.

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

wav2vec2-xls-r-300m-cs-cv8

This model is a fine-tuned version of facebook/wav2vec2-xls-r-300m on the common_voice 8.0 dataset. It achieves the following results on the evaluation set:

  • WER: 0.49575384615384616
  • CER: 0.13333333333333333

Usage

The model can be used directly (without a language model) as follows:

import torch
import torchaudio
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

test_dataset = load_dataset("mozilla-foundation/common_voice_8_0", "sk", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("comodoro/wav2vec2-xls-r-300m-sk-cv8")
model = Wav2Vec2ForCTC.from_pretrained("comodoro/wav2vec2-xls-r-300m-sk-cv8")

resampler = torchaudio.transforms.Resample(48_000, 16_000)

# Preprocessing the datasets.
# We need to read the aduio files as arrays
def speech_file_to_array_fn(batch):
	speech_array, sampling_rate = torchaudio.load(batch["path"])
	batch["speech"] = resampler(speech_array).squeeze().numpy()
	return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)
inputs = processor(test_dataset[:2]["speech"], sampling_rate=16_000, return_tensors="pt", padding=True)

with torch.no_grad():
	logits = model(inputs.input_values, attention_mask=inputs.attention_mask).logits

predicted_ids = torch.argmax(logits, dim=-1)

print("Prediction:", processor.batch_decode(predicted_ids))
print("Reference:", test_dataset[:2]["sentence"])

Evaluation

The model can be evaluated using the attached eval.py script:

python eval.py --model_id comodoro/wav2vec2-xls-r-300m-sk-cv8 --dataset mozilla-foundation/common_voice_8_0 --split test --config sk

Training and evaluation data

The Common Voice 8.0 train and validation datasets were used for training

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 7e-4
  • train_batch_size: 32
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 20
  • total_train_batch_size: 640
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 500
  • num_epochs: 50
  • mixed_precision_training: Native AMP

Framework versions

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

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
caba6c9

0 моделей