/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense

wav2vec2-base

Распознавание речи3 профессии

Базовая wav2vec 2.0, предварительно обученная на аудиоречи и предназначенная для дообучения под распознавание речи.

2,1 млнскачиваний за 30 дней132лайкавеса обновлены28 дек 2021

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки18

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

  • SIBFLEURS

    main_score

    Результат

    0,1079

    Общий результат 0,2324Общий результат 0,1968Общий результат 0,1885
    MTEB

    Публичная таблицаревизия совпадает

  • BirdSet

    main_score

    Результат

    0,1701

    MTEB

    Публичная таблицаревизия совпадает

  • UrbanSound8k

    main_score

    Результат

    0,4241

    MTEB

    Публичная таблицаревизия совпадает

  • JamAltArtistA2ARetrieval

    main_score

    Результат

    0,5687

    MTEB

    Публичная таблицаревизия совпадает

  • FSD2019Kaggle

    main_score

    Результат

    0,118

    Общий результат 0,25
    MTEB

    Публичная таблицаревизия совпадает

  • MInDS14

    main_score

    Результат

    0,0679

    Общий результат 0,0896
    MTEB

    Публичная таблицаревизия совпадает

  • VoxPopuliAccentID

    main_score

    Результат

    0,2607

    MTEB

    Публичная таблицаревизия совпадает

  • AmbientAcousticContextClustering

    main_score

    Результат

    0,2549

    MTEB

    Публичная таблицаревизия совпадает

  • GunshotTriangulation

    main_score

    Результат

    0,9771

    MTEB

    Публичная таблицаревизия совпадает

  • MusicGenreClustering

    main_score

    Результат

    0,1279

    MTEB

    Публичная таблицаревизия совпадает

  • BirdCLEF

    main_score

    Результат

    0,111

    MTEB

    Публичная таблицаревизия совпадает

  • CommonLanguageGenderDetection

    main_score

    Результат

    0,3929

    MTEB

    Публичная таблицаревизия совпадает

  • GTZANAudioReranking

    main_score

    Результат

    0,5851

    MTEB

    Публичная таблицаревизия совпадает

  • NMSQAPairClassification

    main_score

    Результат

    0,47

    MTEB

    Публичная таблицаревизия совпадает

  • VoxCelebClustering

    main_score

    Результат

    0,0039

    MTEB

    Публичная таблицаревизия совпадает

  • GTZANGenreClustering

    main_score

    Результат

    0,2665

    MTEB

    Публичная таблицаревизия совпадает

  • VocalSound

    main_score

    Результат

    0,5445

    MTEB

    Публичная таблицаревизия совпадает

  • ESC50AudioReranking

    main_score

    Результат

    0,5483

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

facebook/wav2vec2-base — базовая модель Facebook на архитектуре wav2vec 2.0 с 113,3 млн параметров, предварительно обученная на аудиоречи без текстовой разметки. Она принимает речь с частотой дискретизации 16 кГц и обучает представления аудиосигнала с помощью маскирования скрытых представлений и контрастивной задачи.

Модель служит основой для систем распознавания речи после добавления токенизатора и дообучения на размеченных аудиозаписях. Такой подход рассчитан на сценарии, где нужно использовать ограниченный объём транскрибированной речи. Репозиторий содержит веса PyTorch; в карточке указан английский язык и датасет LibriSpeech ASR.

Это базовая модель предобучения, а не готовая система распознавания: без токенизатора и дообучения на размеченных данных она не выдаёт транскрипцию. Лицензия — Apache-2.0.

Сценарии применения

  • подготовка основы для системы автоматического распознавания речи
  • дообучение распознавателя речи на размеченных аудиозаписях
  • обучение распознаванию речи при ограниченном объёме транскрипций

Ограничения

Модель сама по себе не выполняет готовую транскрипцию: для распознавания речи нужны токенизатор и дообучение на размеченных текстовых данных. Входная речь должна иметь частоту дискретизации 16 кГц.

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

Wav2Vec2-Base

Facebook's Wav2Vec2

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: Alexei Baevski, Henry Zhou, Abdelrahman Mohamed, Michael Auli

Abstract We show for the first time that learning powerful representations from speech audio alone followed by fine-tuning on transcribed speech can outperform the best semi-supervised methods while being conceptually simpler. wav2vec 2.0 masks the speech input in the latent space and solves a contrastive task defined over a quantization of the latent representations which are jointly learned. Experiments using all labeled data of Librispeech achieve 1.8/3.3 WER on the clean/other test sets. When lowering the amount of labeled data to one hour, wav2vec 2.0 outperforms the previous state of the art on the 100 hour subset while using 100 times less labeled data. Using just ten minutes of labeled data and pre-training on 53k hours of unlabeled data still achieves 4.8/8.2 WER. This demonstrates the feasibility of speech recognition with limited amounts of labeled data. The original model can be found under https://github.com/pytorch/fairseq/tree/master/examples/wav2vec#wav2vec-20.

Usage

See this notebook for more information on how to fine-tune the model.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Класс архитектуры
Wav2Vec2ForPreTraining
Ревизия весов
0b5b8e8

0 моделей