/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
hubert · dense

hubert-large-ll60k

ЭмбеддингиТекст → embedding3 профессии

HuBERT-Large извлекает речевые представления из аудио и может стать основой для распознавания речи после дообучения.

147 тыс.скачиваний за 30 дней38лайковвеса 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 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

HuBERT-Large — модель Facebook для самообучаемого извлечения речевых представлений из аудио. Она использует архитектуру HuBERT, подобную BERT, и была предварительно обучена на наборе Libri-Light. Модель содержит 402,7 млн параметров и принимает речь с частотой дискретизации 16 кГц.

Модель предназначена для получения признаков из речи и может служить основой для систем распознавания речи после дообучения на размеченных аудиоданных. Веса доступны в форматах PyTorch и TensorFlow; модель распространяется по лицензии Apache-2.0.

В исходной модели нет токенизатора, и она не преобразует речь в текст напрямую. Для распознавания речи требуется создать токенизатор и дообучить модель на размеченных текстом аудиоданных.

Сценарии применения

  • извлечение признаков из речи
  • подготовка речевых представлений для последующего обучения
  • создание системы распознавания речи после дообучения на размеченных данных

Ограничения

Для корректной работы входное аудио должно иметь частоту 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-Large

Facebook's Hubert

The large 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.

The model was pretrained on Libri-Light.

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
ff022d0

0 моделей