/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Опубликована
2 мар 2022

wav2vec2-large

Распознавание речи3 профессии

Базовая речевая модель Facebook Wav2Vec2-Large для извлечения представлений из аудио и дообучения под распознавание речи.

12 938скачиваний за 30 дней11лайковвеса обновлены26 авг 2022

Бенчмарки

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

Публичные оценки19

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

  • SIBFLEURS

    main_score

    Результат

    0,0889

    Общий результат 0,1957Общий результат 0,1858Общий результат 0,1779
    MTEB

    Публичная таблицаревизия совпадает

  • LibriCount

    main_score

    Результат

    0,4517

    MTEB

    Публичная таблицаревизия совпадает

  • FSDD

    main_score

    Результат

    0,4933

    MTEB

    Публичная таблицаревизия совпадает

  • MInDS14

    main_score

    Результат

    0,1407

    Общий результат 0,1129Общий результат 0,0836Общий результат 0,0761
    MTEB

    Публичная таблицаревизия совпадает

  • GTZANAudioReranking

    main_score

    Результат

    0,5235

    MTEB

    Публичная таблицаревизия совпадает

  • CREMADPairClassification

    main_score

    Результат

    0,5563

    MTEB

    Публичная таблицаревизия совпадает

  • UrbanSound8k

    main_score

    Результат

    0,3185

    MTEB

    Публичная таблицаревизия совпадает

  • IEMOCAPEmotion

    main_score

    Результат

    0,1678

    MTEB

    Публичная таблицаревизия совпадает

  • AmbientAcousticContext

    main_score

    Результат

    0,1847

    MTEB

    Публичная таблицаревизия совпадает

  • VoxPopuliGenderID

    main_score

    Результат

    0,538

    MTEB

    Публичная таблицаревизия совпадает

  • FSD2019Kaggle

    main_score

    Результат

    0,1582

    MTEB

    Публичная таблицаревизия совпадает

  • CREMA_D

    main_score

    Результат

    0,3546

    MTEB

    Публичная таблицаревизия совпадает

  • BeijingOpera

    main_score

    Результат

    0,4875

    MTEB

    Публичная таблицаревизия совпадает

  • ESC50Clustering

    main_score

    Результат

    0,3191

    MTEB

    Публичная таблицаревизия совпадает

  • VoxCelebClustering

    main_score

    Результат

    0,0052

    MTEB

    Публичная таблицаревизия совпадает

  • MridinghamTonic

    main_score

    Результат

    0,2664

    MTEB

    Публичная таблицаревизия совпадает

  • VocalSound

    main_score

    Результат

    0,4077

    MTEB

    Публичная таблицаревизия совпадает

  • VoxPopuliLanguageID

    main_score

    Результат

    0,3

    MTEB

    Публичная таблицаревизия совпадает

  • IEMOCAPGender

    main_score

    Результат

    0,5428

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Wav2Vec2-Large — базовая модель Facebook для предварительного обучения на речевом аудио. Она содержит 402,7 млн параметров и реализована на архитектуре Wav2Vec2; модель обучалась на аудиозаписях с частотой дискретизации 16 кГц, поэтому входные записи также следует приводить к 16 кГц. Для распознавания речи её нужно дообучить на целевой задаче.

Модель предназначена для получения речевых представлений и последующего применения в распознавании речи, в том числе при ограниченном количестве размеченных аудиоданных. В описанной авторами схеме Wav2Vec 2.0 маскирует вход в латентном пространстве и решает контрастивную задачу с квантованными представлениями. Веса доступны в формате PyTorch по лицензии Apache 2.0. Карточка приводит результаты экспериментов на LibriSpeech, но не описывает готовую к использованию систему распознавания речи: для этого требуется дообучение.

Сценарии применения

  • дообучение модели для распознавания речи
  • создание ASR-системы на размеченных аудиозаписях
  • обучение распознаванию речи при ограниченном объёме транскрипций
  • извлечение представлений из речи для последующих задач

Ограничения

Модель является базовой и требует дообучения для распознавания речи. Ожидает аудио с частотой дискретизации 16 кГц; карточка не подтверждает поддержку других языков помимо английского.

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-Large

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 that this model should be fine-tuned on a downstream task, like Automatic Speech Recognition. Check out this blog for more information.

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
312b241

0 моделей