/ 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_simplified

Распознавание речиАудио → текст3 профессии

Дообученная на TIMIT модель Wav2Vec2 распознаёт фонемы английской речи с использованием упрощённого набора фонем.

66скачиваний за 30 дней4лайкавеса 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_simplified — дообученная версия facebook/wav2vec2-large-lv60 для распознавания фонем английской речи. Она построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель обучена на TIMIT с упрощённым набором фонем, в котором некоторые близкие или часто смешиваемые фонемы объединены.

Модель предназначена для преобразования аудиозаписей английской речи в последовательности фонем, например для фонетического анализа и оценки произношения. В README указан Phone Error Rate 8,38% на наборе оценки TIMIT. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • распознавание фонем в английских аудиозаписях
  • фонетическая транскрипция речи из набора TIMIT
  • анализ произношения английских фонем
  • оценка систем распознавания фонем

Ограничения

Модель обучена на TIMIT и выводит фонемы из упрощённого набора, поэтому её результаты могут не переноситься на другие речевые домены или полные наборы фонем. Указанная метрика Phone Error Rate 8,38% относится к оценочному набору 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_simplified

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: 0.2796
  • Phone Error Rate: 0.0838 (8.38%)

Model description

Trained on a simplified version of the TIMIT phone set.

Intended uses & limitations

Merged Phonemes

  • Based on error analysis for each phoneme from the original TIMIT phoneme set.
  • See this repo for detailed analysis.
  • ax-h → ax
  • axr → er
  • ix → ih
  • ux → uw
  • zh → z
  • em → m
  • en → n
  • eng → ng
  • nx → n
  • hv → hh

Training and evaluation data

More information needed

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 LossPhone Error Rate
7.31851.043003.64370.9617
2.56442.086000.76680.1559
0.67823.119000.37940.1231
0.45424.1512000.32780.1164
0.38345.1915000.30430.1151
0.34076.2318000.28720.1119
0.31797.2721000.28420.1110
0.29888.324000.28340.1102
0.28349.3427000.28260.1100
0.281410.3830000.27960.1100

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
8274001

0 моделей