/ Модель

Характеристики

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

wav2vec2-conformer-rope-large

Распознавание речи3 профессии

Предобученная акустическая модель Wav2Vec2-Conformer с rotary position embeddings для получения представлений речи и последующей настройки на распознавание речи.

48скачиваний за 30 дней2лайкавеса обновлены15 июн 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-rope-large — акустическая модель семейства Wav2Vec2-Conformer, разработанная авторами Changhan Wang, Yun Tang, Xutai Ma, Anne Wu, Sravya Popuri, Dmytro Okhonko и Juan Pino. Модель содержит 402,7 млн параметров и предварительно обучена на 960 часах аудио LibriSpeech с частотой дискретизации 16 кГц; в архитектуре используются rotary position embeddings.

Модель предназначена для извлечения акустических представлений речи и может служить основой для систем распознавания речи после добавления токенизатора и дообучения на размеченных текстовых данных. Она принимает аудио с частотой 16 кГц и не выдаёт готовую транскрипцию без такой дополнительной настройки. В карточке указан английский язык и набор данных LibriSpeech ASR.

Весы опубликованы в формате PyTorch по лицензии Apache-2.0. Ключевое ограничение — это предобученная на аудио модель без токенизатора, поэтому для распознавания речи требуется отдельная настройка на размеченных данных.

Сценарии применения

  • извлечение акустических представлений из речи
  • создание основы для системы распознавания английской речи
  • дообучение распознавателя речи на размеченных аудиоданных

Ограничения

В модели нет токенизатора, и сама по себе она не формирует транскрипции: для распознавания речи нужны токенизатор и дообучение на размеченных текстовых 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 Rotary Position Embeddings

Wav2Vec2 Conformer with rotary 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
bdc607e

0 моделей