/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
data2vec-audio · dense
Опубликована
2 мар 2022

data2vec-audio-base-960h

Распознавание речиАудио → текст6 профессий

Модель Facebook на базе Transformer для транскрибации английской речи с частотой дискретизации 16 кГц.

10 921скачиваний за 30 дней13лайковвеса обновлены24 мая 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 оценки20

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • AmbientAcousticContext

    main_score

    Результат

    0,1786

    MTEB

    Публичная таблицаревизия совпадает

  • SIBFLEURS

    main_score

    Результат

    0,213

    Общий результат 0,2142Общий результат 0,2138Общий результат 0,2134
    MTEB

    Публичная таблицаревизия совпадает

  • VocalSoundAudioReranking

    main_score

    Результат

    0,3733

    MTEB

    Публичная таблицаревизия совпадает

  • hf-audio/open-asr-leaderboard

    score

    Результат

    49,56

    ami_wer 47,27gigaspeech_wer 29,78tedlium_wer 19,49
    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • ESC50AudioReranking

    main_score

    Результат

    0,4839

    MTEB

    Публичная таблицаревизия совпадает

  • CommonLanguageLanguageDetection

    main_score

    Результат

    0,1226

    MTEB

    Публичная таблицаревизия совпадает

  • MInDS14

    main_score

    Результат

    0,375

    Общий результат 0,155Общий результат 0,115
    MTEB

    Публичная таблицаревизия совпадает

  • VoxPopuliGenderClustering

    main_score

    Результат

    0,0004

    MTEB

    Публичная таблицаревизия совпадает

  • JamAltArtistA2ARetrieval

    main_score

    Результат

    0,4456

    Общий результат 0,4407
    MTEB

    Публичная таблицаревизия совпадает

  • GunshotTriangulation

    main_score

    Результат

    0,8176

    MTEB

    Публичная таблицаревизия совпадает

  • GTZANGenreClustering

    main_score

    Результат

    0,1852

    MTEB

    Публичная таблицаревизия совпадает

  • TUTAcousticScenes

    main_score

    Результат

    0,1945

    MTEB

    Публичная таблицаревизия совпадает

  • VocalSoundPairClassification

    main_score

    Результат

    0,5543

    MTEB

    Публичная таблицаревизия совпадает

  • IEMOCAPEmotion

    main_score

    Результат

    0,1549

    MTEB

    Публичная таблицаревизия совпадает

  • SpokenQAForIC

    main_score

    Результат

    0,2045

    MTEB

    Публичная таблицаревизия совпадает

  • MridinghamTonic

    main_score

    Результат

    0,2077

    MTEB

    Публичная таблицаревизия совпадает

  • VoxLingua107_Top10

    main_score

    Результат

    0,2695

    MTEB

    Публичная таблицаревизия совпадает

  • LibriCount

    main_score

    Результат

    0,4844

    MTEB

    Публичная таблицаревизия совпадает

  • NMSQAPairClassification

    main_score

    Результат

    0,5035

    MTEB

    Публичная таблицаревизия совпадает

  • SpokeNEnglish

    main_score

    Результат

    0,8603

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Data2Vec-Audio-Base-960h — модель распознавания речи, разработанная Facebook (ныне Meta). Это акустическая модель на архитектуре Transformer семейства data2vec-audio с 113,3 млн параметров: она предварительно обучена методом self-supervised learning, а затем дообучена для распознавания речи на 960 часах аудио LibriSpeech. Модель принимает речь с частотой дискретизации 16 кГц и выдаёт текстовую транскрипцию; в карточке приведены результаты на тестовых разделах LibriSpeech: WER 2,77 для clean и 7,08 для other.

Модель предназначена для транскрибации английской речи, в том числе оценки качества распознавания на LibriSpeech. Для корректной работы входное аудио нужно подавать с частотой 16 кГц. Веса доступны в формате PyTorch по лицензии Apache-2.0. Карточка не описывает качество на других языках и акустических условиях, поэтому результаты за пределами LibriSpeech могут отличаться.

Сценарии применения

  • транскрибация английской речи из аудиозаписей
  • распознавание речи в записях с частотой 16 кГц
  • оценка качества ASR на тестовых наборах LibriSpeech

Ограничения

Для входного аудио требуется частота дискретизации 16 кГц. Карточка сообщает результаты на LibriSpeech, но не подтверждает качество на других языках и в иных акустических условиях.

Для каких профессий подходит6

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

Data2Vec-Audio-Base-960h

Facebook's Data2Vec

The base model pretrained and fine-tuned on 960 hours of Librispeech on 16kHz sampled speech audio. When using the model make sure that your speech input is also sampled at 16Khz.

Paper

Authors: Alexei Baevski, Wei-Ning Hsu, Qiantong Xu, Arun Babu, Jiatao Gu, Michael Auli

Abstract

While the general idea of self-supervised learning is identical across modalities, the actual algorithms and objectives differ widely because they were developed with a single modality in mind. To get us closer to general self-supervised learning, we present data2vec, a framework that uses the same learning method for either speech, NLP or computer vision. The core idea is to predict latent representations of the full input data based on a masked view of the input in a self-distillation setup using a standard Transformer architecture. Instead of predicting modality-specific targets such as words, visual tokens or units of human speech which are local in nature, data2vec predicts contextualized latent representations that contain information from the entire input. Experiments on the major benchmarks of speech recognition, image classification, and natural language understanding demonstrate a new state of the art or competitive performance to predominant approaches.

The original model can be found under https://github.com/pytorch/fairseq/tree/main/examples/data2vec .

Pre-Training method

model image

For more information, please take a look at the official paper.

Usage

To transcribe audio files the model can be used as a standalone acoustic model as follows:

 from transformers import Wav2Vec2Processor, Data2VecForCTC
 from datasets import load_dataset
 import torch
 
 # load model and processor
 processor = Wav2Vec2Processor.from_pretrained("facebook/data2vec-audio-base-960h")
 model = Data2VecForCTC.from_pretrained("facebook/data2vec-audio-base-960h")
     
 # load dummy dataset and read soundfiles
 ds = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")
 
 # tokenize
 input_values = processor(ds[0]["audio"]["array"],, return_tensors="pt", padding="longest").input_values  # Batch size 1
 
 # retrieve logits
 logits = model(input_values).logits
 
 # take argmax and decode
 predicted_ids = torch.argmax(logits, dim=-1)
 transcription = processor.batch_decode(predicted_ids)

Evaluation

This code snippet shows how to evaluate facebook/data2vec-audio-base-960h on LibriSpeech's "clean" and "other" test data.

 from transformers import Wav2Vec2Processor, Data2VecForCTC
 from datasets import load_dataset
 import torch
 from jiwer import wer
 
 # load model and processor
 processor = Wav2Vec2Processor.from_pretrained("facebook/data2vec-audio-base-960h").to("cuda")
 model = Data2VecForCTC.from_pretrained("facebook/data2vec-audio-base-960h")
 

librispeech_eval = load_dataset("librispeech_asr", "clean", split="test")

def map_to_pred(batch):
    input_values = processor(batch["audio"]["array"], return_tensors="pt", padding="longest").input_values
    with torch.no_grad():
        logits = model(input_values.to("cuda")).logits

    predicted_ids = torch.argmax(logits, dim=-1)
    transcription = processor.batch_decode(predicted_ids)
    batch["transcription"] = transcription
    return batch

result = librispeech_eval.map(map_to_pred, batched=True, batch_size=1, remove_columns=["audio"])

print("WER:", wer(result["text"], result["transcription"]))

Result (WER):

"clean""other"
2.777.08

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Data2VecAudioForCTC
Ревизия весов
32331f3

0 моделей