/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense

wav2vec2-large-robust

Распознавание речи3 профессии

Предобученная на разнодоменной речи модель Wav2Vec2 для извлечения речевых представлений и последующего дообучения под распознавание речи.

2 069скачиваний за 30 дней42лайкавеса обновлены5 ноя 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-Robust — предобученная на аудио модель Facebook для извлечения речевых представлений. Она использует архитектуру Wav2Vec2 и содержит 402,7 млн параметров. Модель обучалась на речи с частотой дискретизации 16 кГц из нескольких доменов: аудиокнигах Libri-Light, записях Common Voice и телефонных разговорах Switchboard и Fisher.

Модель рассчитана на последующую адаптацию к распознаванию речи и другим задачам анализа речи. В исходном виде у неё нет токенизатора, и она не выполняет распознавание речи напрямую: для этого нужны токенизатор и дообучение на размеченных текстовых данных. На вход следует подавать аудио с частотой 16 кГц. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • извлечение признаков из речевых аудиозаписей
  • дообучение модели для распознавания речи
  • адаптация распознавания речи к телефонным разговорам
  • адаптация речевых моделей к аудиокнигам и чтению вслух

Ограничения

Модель не имеет токенизатора и без создания токенизатора и дообучения на размеченных текстовых данных не распознаёт речь напрямую. 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-Robust

Facebook's Wav2Vec2

The large model pretrained on 16kHz sampled speech audio. Speech datasets from multiple domains were used to pretrain the model:

  • Libri-Light: open-source audio books from the LibriVox project; clean, read-out audio data
  • CommonVoice: crowd-source collected audio data; read-out text snippets
  • Switchboard: telephone speech corpus; noisy telephone data
  • Fisher: conversational telephone speech; noisy telephone data

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 Robust Wav2Vec2

Authors: Wei-Ning Hsu, Anuroop Sriram, Alexei Baevski, Tatiana Likhomanenko, Qiantong Xu, Vineel Pratap, Jacob Kahn, Ann Lee, Ronan Collobert, Gabriel Synnaeve, Michael Auli

Abstract Self-supervised learning of speech representations has been a very active research area but most work is focused on a single domain such as read audio books for which there exist large quantities of labeled and unlabeled data. In this paper, we explore more general setups where the domain of the unlabeled data for pre-training data differs from the domain of the labeled data for fine-tuning, which in turn may differ from the test data domain. Our experiments show that using target domain data during pre-training leads to large performance improvements across a variety of setups. On a large-scale competitive setup, we show that pre-training on unlabeled in-domain data reduces the gap between models trained on in-domain and out-of-domain labeled data by 66%-73%. This has obvious practical implications since it is much easier to obtain unlabeled target domain data than labeled data. Moreover, we find that pre-training on multiple domains improves generalization performance on domains not seen during training. Code and models will be made available at this https URL. 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
2493a2c

0 моделей