/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense

wav2vec2-large-lv60

Распознавание речи3 профессии

Предобученная на аудио модель Facebook для извлечения представлений речи и последующего дообучения под распознавание речи.

11 869скачиваний за 30 дней16лайковвеса обновлены28 дек 2021

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

Wav2Vec2-Large-LV60 — базовая модель Facebook для предварительного обучения на речевом аудио без текстовых расшифровок. Она построена на архитектуре wav2vec 2.0 и содержит 402,7 млн параметров. Модель принимает аудио с частотой дискретизации 16 кГц; предобучение использует маскирование представлений речи и контрастивную цель.

Модель предназначена для получения представлений речи и как основа для систем распознавания речи после добавления токенизатора и дообучения на размеченных аудиозаписях. В карточке описаны результаты экспериментов wav2vec 2.0 на английском корпусе LibriSpeech, в том числе при ограниченном объёме размеченных данных; эти результаты относятся к экспериментам статьи, а не к распознаванию непосредственно этой базовой моделью.

Без дообучения модель не выдаёт текст: у неё нет токенизатора, и она обучена только на аудио. Для использования в распознавании речи необходимы токенизатор и дообучение на размеченных текстом аудиоданных. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • подготовка основы для английского распознавания речи
  • извлечение представлений из аудиозаписей речи
  • дообучение системы распознавания речи на размеченных записях
  • исследование самоконтролируемого предобучения речевых моделей

Ограничения

Модель сама по себе не выполняет распознавание речи и не содержит токенизатора; для ASR требуются токенизатор и дообучение 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-Large-LV60

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
0cde644

0 моделей