/ Модель

Характеристики

Параметры
1,3 млрд
Лицензия
CC BY-NC 4.0
Архитектура
wav2vec2 · dense
Опубликована
27 мая 2023

mms-1b-fl102

Распознавание речиАудио → текст10 профессий

Многоязычная модель Wav2Vec2 для распознавания речи и транскрибации аудио на 102 языках.

5 102скачиваний за 30 дней33лайкавеса обновлены13 авг 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 оценки16

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

  • SIBFLEURS

    main_score

    Результат

    0,2498

    Общий результат 0,3561Общий результат 0,3221Общий результат 0,3209
    MTEB

    Публичная таблицаревизия совпадает

  • JamAltArtistA2ARetrieval

    main_score

    Результат

    0,5971

    MTEB

    Публичная таблицаревизия совпадает

  • BirdCLEF

    main_score

    Результат

    0,199

    MTEB

    Публичная таблицаревизия совпадает

  • GTZANGenre

    main_score

    Результат

    0,568

    MTEB

    Публичная таблицаревизия совпадает

  • hf-audio/open-asr-leaderboard

    score

    Результат

    39,7963

    rtfx 234,4232voxpopuli_wer 27,97librispeech_clean_wer 22,07
    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • VehicleSoundClustering

    main_score

    Результат

    0,0015

    MTEB

    Публичная таблицаревизия совпадает

  • MridinghamStroke

    main_score

    Результат

    0,5484

    MTEB

    Публичная таблицаревизия совпадает

  • BeijingOpera

    main_score

    Результат

    0,7798

    MTEB

    Публичная таблицаревизия совпадает

  • CREMA_D

    main_score

    Результат

    0,3068

    MTEB

    Публичная таблицаревизия совпадает

  • SpokeNEnglish

    main_score

    Результат

    0,9694

    MTEB

    Публичная таблицаревизия совпадает

  • MInDS14

    main_score

    Результат

    0,666

    Общий результат 0,7675Общий результат 0,7132Общий результат 0,7027
    MTEB

    Публичная таблицаревизия совпадает

  • CommonLanguageAgeDetection

    main_score

    Результат

    0,1703

    MTEB

    Публичная таблицаревизия совпадает

  • SpeechCommands

    main_score

    Результат

    0,8088

    MTEB

    Публичная таблицаревизия совпадает

  • NSynth

    main_score

    Результат

    0,4384

    MTEB

    Публичная таблицаревизия совпадает

  • BirdSet

    main_score

    Результат

    0,2356

    MTEB

    Публичная таблицаревизия совпадает

  • VocalSoundAudioReranking

    main_score

    Результат

    0,4332

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

facebook/mms-1b-fl102 — мног multilingual-модель автоматического распознавания речи из проекта Massively Multilingual Speech компании Facebook (Meta), разработанная Vineel Pratap и соавторами. Это дообученный на наборе Fleurs чекпойнт семейства Wav2Vec2 с CTC-архитектурой и адаптерами, содержащий около 1,3 млрд параметров по метаданным. Модель принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст; заявлена поддержка 102 языков.

Модель подходит для транскрибации записей и распознавания речи на множестве языков, в том числе при создании многоязычных речевых сервисов. Карточка указывает лицензию CC-BY-NC 4.0, которая ограничивает коммерческое использование. Возможны ошибки распознавания, особенно для условий и языков, не представленных в обучающих данных; метаданные перечисляют лишь часть языкового покрытия.

Сценарии применения

  • транскрибация аудиозаписей на разных языках
  • распознавание речи в многоязычных приложениях
  • создание субтитров по аудиозаписи
  • перевод устной речи в текст для поиска и анализа

Ограничения

Лицензия CC-BY-NC 4.0 не разрешает коммерческое использование. Качество распознавания может различаться между языками и акустическими условиями; модель ожидает аудио с частотой дискретизации 16 кГц.

Для каких профессий подходит10

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

Massively Multilingual Speech (MMS) - Finetuned ASR - FL102

This checkpoint is a model fine-tuned for multi-lingual ASR and part of Facebook's Massive Multilingual Speech project. This checkpoint is based on the Wav2Vec2 architecture and makes use of adapter models to transcribe 100+ languages. The checkpoint consists of 1 billion parameters and has been fine-tuned from facebook/mms-1b on 102 languages of Fleurs.

Table Of Content

Example

This MMS checkpoint can be used with Transformers to transcribe audio of 1107 different languages. Let's look at a simple example.

First, we install transformers and some other libraries

pip install torch accelerate torchaudio datasets
pip install --upgrade transformers

Note: In order to use MMS you need to have at least transformers >= 4.30 installed. If the 4.30 version is not yet available on PyPI make sure to install transformers from source:

pip install git+https://github.com/huggingface/transformers.git

Next, we load a couple of audio samples via datasets. Make sure that the audio data is sampled to 16000 kHz.

from datasets import load_dataset, Audio

# English
stream_data = load_dataset("mozilla-foundation/common_voice_13_0", "en", split="test", streaming=True)
stream_data = stream_data.cast_column("audio", Audio(sampling_rate=16000))
en_sample = next(iter(stream_data))["audio"]["array"]

# French
stream_data = load_dataset("mozilla-foundation/common_voice_13_0", "fr", split="test", streaming=True)
stream_data = stream_data.cast_column("audio", Audio(sampling_rate=16000))
fr_sample = next(iter(stream_data))["audio"]["array"]

Next, we load the model and processor

from transformers import Wav2Vec2ForCTC, AutoProcessor
import torch

model_id = "facebook/mms-1b-fl102"

processor = AutoProcessor.from_pretrained(model_id)
model = Wav2Vec2ForCTC.from_pretrained(model_id)

Now we process the audio data, pass the processed audio data to the model and transcribe the model output, just like we usually do for Wav2Vec2 models such as facebook/wav2vec2-base-960h

inputs = processor(en_sample, sampling_rate=16_000, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs).logits

ids = torch.argmax(outputs, dim=-1)[0]
transcription = processor.decode(ids)
# 'joe keton disapproved of films and buster also had reservations about the media'

We can now keep the same model in memory and simply switch out the language adapters by calling the convenient load_adapter() function for the model and set_target_lang() for the tokenizer. We pass the target language as an input - "fra" for French.

processor.tokenizer.set_target_lang("fra")
model.load_adapter("fra")

inputs = processor(fr_sample, sampling_rate=16_000, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs).logits

ids = torch.argmax(outputs, dim=-1)[0]
transcription = processor.decode(ids)
# "ce dernier est volé tout au long de l'histoire romaine"

In the same way the language can be switched out for all other supported languages. Please have a look at:

processor.tokenizer.vocab.keys()

For more details, please have a look at the official docs.

Supported Languages

This model supports 102 languages. Unclick the following to toogle all supported languages of this checkpoint in ISO 639-3 code. You can find more details about the languages and their ISO 649-3 codes in the MMS Language Coverage Overview.

  • afr
  • amh
  • ara
  • asm
  • ast
  • azj-script_latin
  • bel
  • ben
  • bos
  • bul
  • cat
  • ceb
  • ces
  • ckb
  • cmn-script_simplified
  • cym
  • dan
  • deu
  • ell
  • eng
  • est
  • fas
  • fin
  • fra
  • ful
  • gle
  • glg
  • guj
  • hau
  • heb
  • hin
  • hrv
  • hun
  • hye
  • ibo
  • ind
  • isl
  • ita
  • jav
  • jpn
  • kam
  • kan
  • kat
  • kaz
  • kea
  • khm
  • kir
  • kor
  • lao
  • lav
  • lin
  • lit
  • ltz
  • lug
  • luo
  • mal
  • mar
  • mkd
  • mlt
  • mon
  • mri
  • mya
  • nld
  • nob
  • npi
  • nso
  • nya
  • oci
  • orm
  • ory
  • pan
  • pol
  • por
  • pus
  • ron
  • rus
  • slk
  • slv
  • sna
  • snd
  • som
  • spa
  • srp-script_latin
  • swe
  • swh
  • tam
  • tel
  • tgk
  • tgl
  • tha
  • tur
  • ukr
  • umb
  • urd-script_arabic
  • uzb-script_latin
  • vie
  • wol
  • xho
  • yor
  • yue-script_traditional
  • zlm
  • zul

Model details

  • Developed by: Vineel Pratap et al.

  • Model type: Multi-Lingual Automatic Speech Recognition model

  • Language(s): 100+ languages, see supported languages

  • License: CC-BY-NC 4.0 license

  • Num parameters: 1 billion

  • Audio sampling rate: 16,000 kHz

  • Cite as:

    @article{pratap2023mms,
      title={Scaling Speech Technology to 1,000+ Languages},
      author={Vineel Pratap and Andros Tjandra and Bowen Shi and Paden Tomasello and Arun Babu and Sayani Kundu and Ali Elkahky and Zhaoheng Ni and Apoorv Vyas and Maryam Fazel-Zarandi and Alexei Baevski and Yossi Adi and Xiaohui Zhang and Wei-Ning Hsu and Alexis Conneau and Michael Auli},
    journal={arXiv},
    year={2023}
    }
    

Additional Links

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
d483345

0 моделей