/ Модель

Характеристики

Параметры
1,3 млрд
Лицензия
Apache 2.0
Архитектура
hubert · dense
Опубликована
2 мар 2022

hubert-xlarge-ls960-ft

Распознавание речиАудио → текст8 профессий

Модель HuBERT Extra-Large, дообученная на LibriSpeech, распознаёт английскую речь в аудиозаписях с частотой 16 кГц.

8 320скачиваний за 30 дней17лайковвеса обновлены27 июн 2023

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 оценки2

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

  • hf-audio/open-asr-leaderboard

    score · ниже — лучше

    Результат

    22,5475

    librispeech_clean_wer 11,3librispeech_other_wer 12,22tedlium_wer 15,83
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

  • librispeech_asr

    wer · ниже — лучше

    Результат

    1,8

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

facebook/hubert-xlarge-ls960-ft — модель распознавания речи от Facebook на базе архитектуры HuBERT. Это версия HuBERT Extra-Large, дообученная на 960 часах LibriSpeech; базовая модель — facebook/hubert-xlarge-ll60k. Архитектура использует самонаблюдаемое обучение речевых представлений с маскированным предсказанием и офлайн-кластеризацией, а для распознавания применяет CTC.

Модель преобразует аудиозаписи английской речи в текст и предназначена для задач автоматического распознавания речи. Для входа требуется аудио с частотой дискретизации 16 кГц. В карточке упоминаются LibriSpeech и Libri-Light, но дообучение этой версии проводилось на LibriSpeech. Модель выпущена по лицензии Apache-2.0.

Сценарии применения

  • транскрибация английской речи
  • распознавание речи в аудиозаписях с частотой 16 кГц
  • создание текстовых расшифровок записей LibriSpeech-подобного типа

Ограничения

Входная речь должна быть дискретизирована с частотой 16 кГц. Дообучение проводилось на LibriSpeech, поэтому применимость к другим языкам и условиям записи не подтверждена карточкой.

Для каких профессий подходит8

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

Hubert-Extra-Large-Finetuned

Facebook's Hubert

The extra large model fine-tuned on 960h of Librispeech on 16kHz sampled speech audio. When using the model make sure that your speech input is also sampled at 16Khz.

The model is a fine-tuned version of hubert-xlarge-ll60k.

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

The model can be used for automatic-speech-recognition as follows:

import torch
from transformers import Wav2Vec2Processor, HubertForCTC
from datasets import load_dataset

processor = Wav2Vec2Processor.from_pretrained("facebook/hubert-xlarge-ls960-ft")
model = HubertForCTC.from_pretrained("facebook/hubert-xlarge-ls960-ft")
    
ds = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")

input_values = processor(ds[0]["audio"]["array"], return_tensors="pt").input_values  # Batch size 1
logits = model(input_values).logits
predicted_ids = torch.argmax(logits, dim=-1)
transcription = processor.decode(predicted_ids[0])

# ->"A MAN SAID TO THE UNIVERSE SIR I EXIST"

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
HubertForCTC
Ревизия весов
86a09e6

0 моделей