/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
data2vec-audio · dense
Опубликована
2 апр 2022

data2vec-audio-large-960h

Распознавание речиАудио → текст7 профессий

Крупная модель Facebook распознаёт английскую речь в аудио 16 кГц и преобразует её в текст.

3 741скачиваний за 30 дней8лайковвеса обновлены6 июн 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 оценки15

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

  • SIBFLEURS

    main_score

    Результат

    0,2407

    Общий результат 0,2233Общий результат 0,2146Общий результат 0,2142
    MTEB

    Публичная таблицаревизия совпадает

  • hf-audio/open-asr-leaderboard

    score

    Результат

    470,1542

    ami_wer 40,51mean_wer 23,21librispeech_clean_wer 11,4
    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • GTZANGenre

    main_score

    Результат

    0,436

    MTEB

    Публичная таблицаревизия совпадает

  • MInDS14

    main_score

    Результат

    0,4781

    Общий результат 0,2241Общий результат 0,1718
    MTEB

    Публичная таблицаревизия совпадает

  • VocalSoundPairClassification

    main_score

    Результат

    0,5779

    MTEB

    Публичная таблицаревизия совпадает

  • JamAltArtistA2ARetrieval

    main_score

    Результат

    0,4336

    MTEB

    Публичная таблицаревизия совпадает

  • GTZANAudioReranking

    main_score

    Результат

    0,5691

    MTEB

    Публичная таблицаревизия совпадает

  • BirdCLEF

    main_score

    Результат

    0,095

    MTEB

    Публичная таблицаревизия совпадает

  • CommonLanguageGenderDetection

    main_score

    Результат

    0,3286

    MTEB

    Публичная таблицаревизия совпадает

  • VoxPopuliAccentClustering

    main_score

    Результат

    0,0283

    MTEB

    Публичная таблицаревизия совпадает

  • FSD2019Kaggle

    main_score

    Результат

    0,122

    MTEB

    Публичная таблицаревизия совпадает

  • BirdSet

    main_score

    Результат

    0,329

    MTEB

    Публичная таблицаревизия совпадает

  • MridinghamTonic

    main_score

    Результат

    0,2121

    MTEB

    Публичная таблицаревизия совпадает

  • NSynth

    main_score

    Результат

    0,3822

    MTEB

    Публичная таблицаревизия совпадает

  • librispeech_asr

    wer · ниже — лучше

    Результат

    4,07

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Data2Vec-Audio-Large-960h — акустическая модель Facebook для автоматического распознавания английской речи. Это крупная Transformer-модель семейства data2vec с архитектурой Data2VecAudioForCTC и 402,7 млн параметров; она предварительно обучена и дообучена на 960 часах аудио из LibriSpeech. Модель принимает речь с частотой дискретизации 16 кГц и выводит текстовую транскрипцию.

Модель предназначена для транскрибирования аудиозаписей и оценки систем распознавания речи на наборах LibriSpeech. В карточке приведены результаты WER 1,89 для раздела clean и 4,07 для other. Эти показатели относятся к указанной оценке на LibriSpeech и не гарантируют аналогичного качества на других данных.

Модель распространяется в формате PyTorch по лицензии Apache-2.0. Она рассчитана на английскую речь и требует аудио с частотой 16 кГц; карточка не описывает поддержку других языков или сценариев работы.

Сценарии применения

  • транскрибирование английских аудиозаписей
  • распознавание речи в записях с частотой 16 кГц
  • оценка качества распознавания на LibriSpeech
  • получение текстовых расшифровок для последующей обработки

Ограничения

Для входного аудио требуется частота дискретизации 16 кГц. Модель обучена на английской речи LibriSpeech; качество на иных языках и типах аудио не описано.

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

Data2Vec-Audio-Large-960h

Facebook's Data2Vec

The large 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, Data2VecAudioForCTC
 from datasets import load_dataset
 import torch
 
 # load model and processor
 processor = Wav2Vec2Processor.from_pretrained("facebook/data2vec-audio-large-960h")
 model = Data2VecAudioForCTC.from_pretrained("facebook/data2vec-audio-large-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-large-960h on LibriSpeech's "clean" and "other" test data.

 from transformers import Wav2Vec2Processor, Data2VecAudioForCTC
 from datasets import load_dataset
 import torch
 from jiwer import wer
 
 # load model and processor
 processor = Wav2Vec2Processor.from_pretrained("facebook/data2vec-audio-large-960h").to("cuda")
 model = Data2VecAudioForCTC.from_pretrained("facebook/data2vec-audio-large-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"
1.894.07

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
27aba26

0 моделей