/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-large-xlsr-53
Опубликована
6 ноя 2023

wav2vec2-large-xlsr-mvc-swahili

Распознавание речиАудио → текст7 профессий

Дообученная wav2vec 2.0 модель для распознавания суахилийской речи и преобразования её в текст.

415 тыс.скачиваний за 30 дней3лайкавеса обновлены9 ноя 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 «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

wav2vec2-large-xlsr-mvc-swahili — модель автоматического распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53. Она предназначена для преобразования аудиозаписей на суахили в текст и обучена на данных Common Voice 13.0. Модель использует архитектуру Wav2Vec2ForCTC, содержит около 402,7 млн параметров и принимает аудио, выдавая текст. Базовая модель предварительно обучена на речи 53 языков.

В README отмечена проблема со словарём: при обучении не учли некоторые специальные символы, поэтому распознавание таких символов может работать некорректно. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибация записей на суахили
  • распознавание суахилийской речи в аудиофайлах
  • создание текстовых расшифровок для материалов Common Voice
  • преобразование устной речи на суахили в текст для последующей обработки

Ограничения

В README указано, что при обучении не учли некоторые специальные символы в словаре; их распознавание может быть некорректным.

Для каких профессий подходит7

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

wav2vec2-large-xlsr-mvc-swahili

This model is a finetuned version of facebook/wav2vec2-large-xlsr-53.

How to use the model

There was an issue with vocab, seems like there are special characters included and they were not considered during training
You could try

from transformers import AutoProcessor, AutoModelForCTC

repo_name = "eddiegulay/wav2vec2-large-xlsr-mvc-swahili"
processor = AutoProcessor.from_pretrained(repo_name)
model = AutoModelForCTC.from_pretrained(repo_name)

# if you have GPU
# move model to CUDA
model = model.to("cuda")


def transcribe(audio_path):
  # Load the audio file
  audio_input, sample_rate = torchaudio.load(audio_path)
  target_sample_rate = 16000
  audio_input = torchaudio.transforms.Resample(orig_freq=sample_rate, new_freq=target_sample_rate)(audio_input)

  # Preprocess the audio data
  input_dict = processor(audio_input[0], return_tensors="pt", padding=True, sampling_rate=16000)

  # Perform inference and transcribe
  logits = model(input_dict.input_values.to("cuda")).logits
  pred_ids = torch.argmax(logits, dim=-1)[0]
  transcription = processor.decode(pred_ids)

  return transcription

transcript = transcribe('your_audio.mp3')

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
fc0d824

0 моделей