/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2-conformer · dense
Опубликована
17 апр 2022

wav2vec2-conformer-rel-pos-large

Распознавание речи3 профессии

Предварительно обученная на английской речи модель Wav2Vec2-Conformer, предназначенная для дообучения под распознавание речи.

19 931скачиваний за 30 дней10лайковвеса обновлены7 дек 2022

Бенчмарки

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

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

facebook/wav2vec2-conformer-rel-pos-large — предварительно обученная модель распознавания речевых признаков от исследовательской команды Meta, основанная на архитектуре Wav2Vec2-Conformer с относительными позиционными эмбеддингами. Модель содержит 402,7 млн параметров и обучена на 960 часах аудио LibriSpeech с частотой дискретизации 16 кГц.

Чекпойнт предназначен для дальнейшей настройки на размеченных речевых данных. Сам по себе он не выполняет распознавание речи: в нём нет токенизатора, поэтому для получения транскрипции нужно создать токенизатор и дообучить модель на парах аудио и текста. Подходит как основа для экспериментов и разработки систем распознавания речи на английском языке.

Модель принимает аудио с частотой 16 кГц и выдаёт речевые представления для последующей обработки; распознанный текст она непосредственно не генерирует. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • дообучение базовой модели для транскрибации английской речи
  • создание речевых представлений для последующей системы распознавания речи
  • эксперименты с распознаванием речи на данных LibriSpeech
  • разработка акустической части ASR-системы

Ограничения

В репозитории нет токенизатора, а модель предварительно обучена только на аудио, поэтому для получения транскрипций требуется создать токенизатор и дообучить её на размеченных данных. Входное аудио должно 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-Conformer-Large with Relative Position Embeddings

Wav2Vec2 Conformer with relative position embeddings, pretrained on 960 hours of Librispeech 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: fairseq S2T: Fast Speech-to-Text Modeling with fairseq

Authors: Changhan Wang, Yun Tang, Xutai Ma, Anne Wu, Sravya Popuri, Dmytro Okhonko, Juan Pino

The results of Wav2Vec2-Conformer can be found in Table 3 and Table 4 of the official paper.

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
Wav2Vec2ConformerForPreTraining
Ревизия весов
1afaab4

0 моделей