/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-large-lv60
Библиотека
transformers
Опубликована
17 июн 2024

wav2vec2-large-lv60_phoneme-timit_english_timit-4k

Распознавание речиАудио → текст3 профессии

Дообученная Wav2Vec2-модель распознаёт фонемы английской речи в соответствии с набором TIMIT.

1 376скачиваний за 30 дней8лайковвеса обновлены5 мая 2025

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 excalibur12/wav2vec2-large-lv60_phoneme-timit_english_timit-4k — дообученная на наборе TIMIT версия facebook/wav2vec2-large-lv60 для распознавания фонем английской речи по фонемному набору TIMIT. Она построена на архитектуре Wav2Vec2ForCTC, содержит 402,7 млн параметров и принимает аудио, выдавая последовательность распознанных фонем. Для оценки указаны Loss 0,3354 и Phone Error Rate 10,53% на тестовой выборке TIMIT из 1680 примеров; обучение проводилось на 4620 примерах TIMIT.

Модель предназначена для распознавания фонем в английской речи в задачах фонетического анализа и экспериментах с речевыми данными. Доступна по лицензии Apache-2.0.

Сценарии применения

  • распознавание фонем в английской речи
  • получение фонемной транскрипции аудиозаписи
  • фонетический анализ речи по набору TIMIT
  • оценка фонемного распознавания на тестовых данных TIMIT

Ограничения

Модель обучена на TIMIT и ориентирована на его фонемный набор; качество на других акцентах, доменах и фонемных системах не указано. Метрика Phone Error Rate 10,53% приведена только для тестовой выборки TIMIT.

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-large-lv60_phoneme-timit_english_timit-4k

This model is a fine-tuned version of facebook/wav2vec2-large-lv60 on the TIMIT dataset. It achieves the following results on the evaluation set:

  • Loss: 0.3354
  • Phone Error Rate: 0.1053 (10.53%)

Intended uses & limitations

  • Phoneme recognition based on the TIMIT phoneme set

Phoneme-wise errors

Vowel Phonemes

Vowel confusion matrix

Stop Phonemes

Stop_consonant confusion matrix

Affricate Phonemes

Affricate_consonant confusion matrix

Fricative Phonemes

Fricative_consonant confusion matrix

Nasal Phonemes

Nasal_consonant confusion matrix

Semivowels/Glide Phonemes

Vowel confusion matrix

Training and evaluation data

  • Train: TIMIT train dataset (4620 samples)
  • Test: TIMIT test dataset (1680 samples)

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0001
  • train_batch_size: 16
  • eval_batch_size: 1
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 300
  • training_steps: 3000
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossPER
7.93521.043003.77100.9617
2.78742.086000.90800.1929
0.82053.119000.46700.1492
0.55044.1512000.40250.1408
0.46325.1915000.36960.1374
0.41486.2318000.35190.1343
0.38737.2721000.34190.1329
0.36958.324000.33680.1317
0.35319.3427000.34060.1320
0.350710.3830000.33540.1315

Framework versions

  • Transformers 4.38.1
  • Pytorch 2.0.1
  • Datasets 2.16.1
  • Tokenizers 0.15.2

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
40a033c

0 моделей