/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
hubert · dense

hubert-base-ls960

ЭмбеддингиТекст → embedding3 профессии

Базовая HuBERT извлекает речевые признаки из аудио 16 кГц и служит основой для последующей настройки систем распознавания речи.

175 тыс.скачиваний за 30 дней78лайковвеса обновлены5 ноя 2021

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 «Эмбеддинги» — 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

    0,134

    Общий результат 0,2395Общий результат 0,2059Общий результат 0,1881
    MTEB

    Публичная таблицаревизия совпадает

  • MridinghamStroke

    main_score

    Результат

    0,5541

    MTEB

    Публичная таблицаревизия совпадает

  • MusicGenreClustering

    main_score

    Результат

    0,1847

    MTEB

    Публичная таблицаревизия совпадает

  • MInDS14

    main_score

    Результат

    0,1441

    Общий результат 0,1553Общий результат 0,1317Общий результат 0,1102
    MTEB

    Публичная таблицаревизия совпадает

  • GTZANGenreClustering

    main_score

    Результат

    0,3569

    MTEB

    Публичная таблицаревизия совпадает

  • TUTAcousticScenes

    main_score

    Результат

    0,2435

    MTEB

    Публичная таблицаревизия совпадает

  • SpokeNEnglish

    main_score

    Результат

    0,94

    MTEB

    Публичная таблицаревизия совпадает

  • SpokenQAForIC

    main_score

    Результат

    0,2047

    MTEB

    Публичная таблицаревизия совпадает

  • CREMADPairClassification

    main_score

    Результат

    0,5605

    MTEB

    Публичная таблицаревизия совпадает

  • VoiceGenderClustering

    main_score

    Результат

    0,1445

    MTEB

    Публичная таблицаревизия совпадает

  • GTZANGenre

    main_score

    Результат

    0,69

    MTEB

    Публичная таблицаревизия совпадает

  • VehicleSoundClustering

    main_score

    Результат

    0,0013

    MTEB

    Публичная таблицаревизия совпадает

  • VocalSound

    main_score

    Результат

    0,5884

    MTEB

    Публичная таблицаревизия совпадает

  • JamAltArtistA2ARetrieval

    main_score

    Результат

    0,7618

    MTEB

    Публичная таблицаревизия совпадает

  • AudioSetMini

    main_score

    Результат

    0,2752

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

facebook/hubert-base-ls960 — базовая модель HuBERT, разработанная Facebook и обученная без учителя на речевых аудиозаписях с частотой дискретизации 16 кГц. Архитектура HuBERT использует маскирование участков аудиопоследовательности и предсказание кластеризованных скрытых речевых единиц, формируя представления речи. Модель содержит 113,3 млн параметров; доступны форматы PyTorch и TensorFlow.

Модель извлекает признаки из речи и предназначена для использования как основа систем распознавания речи после дообучения на размеченных аудиоданных. Она не содержит токенизатора и сама по себе не преобразует аудио в текст. В карточке указаны английский язык и датасет LibriSpeech ASR; для работы входное аудио должно иметь частоту 16 кГц. Лицензия — Apache 2.0.

Сценарии применения

  • извлечение признаков из английской речи
  • подготовка представлений аудио для распознавания речи
  • дообучение модели для транскрибирования размеченной речи

Ограничения

Принимает речь с частотой дискретизации 16 кГц. Модель не содержит токенизатора и не распознаёт речь в текст без создания токенизатора и дообучения на размеченных данных.

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

Hubert-Base

Facebook's Hubert

The base model pretrained on 16kHz sampled speech audio. When using the model make sure that your speech input is also sampled at 16Khz.

Note: This model does not have a tokenizer as it was pretrained on audio alone. In order to use this model speech recognition, a tokenizer should be created and the model should be fine-tuned on labeled text data. Check out this blog for more in-detail explanation of how to fine-tune the model.

Paper

Authors: Wei-Ning Hsu, Benjamin Bolte, Yao-Hung Hubert Tsai, Kushal Lakhotia, Ruslan Salakhutdinov, Abdelrahman Mohamed

Abstract Self-supervised approaches for speech representation learning are challenged by three unique problems: (1) there are multiple sound units in each input utterance, (2) there is no lexicon of input sound units during the pre-training phase, and (3) sound units have variable lengths with no explicit segmentation. To deal with these three problems, we propose the Hidden-Unit BERT (HuBERT) approach for self-supervised speech representation learning, which utilizes an offline clustering step to provide aligned target labels for a BERT-like prediction loss. A key ingredient of our approach is applying the prediction loss over the masked regions only, which forces the model to learn a combined acoustic and language model over the continuous inputs. HuBERT relies primarily on the consistency of the unsupervised clustering step rather than the intrinsic quality of the assigned cluster labels. Starting with a simple k-means teacher of 100 clusters, and using two iterations of clustering, the HuBERT model either matches or improves upon the state-of-the-art wav2vec 2.0 performance on the Librispeech (960h) and Libri-light (60,000h) benchmarks with 10min, 1h, 10h, 100h, and 960h fine-tuning subsets. Using a 1B parameter model, HuBERT shows up to 19% and 13% relative WER reduction on the more challenging dev-other and test-other evaluation subsets.

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

Usage

See this blog for more information on how to fine-tune the model. Note that the class Wav2Vec2ForCTC has to be replaced by HubertForCTC.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
HubertModel
Ревизия весов
dba3bb0

0 моделей