/ Модель

Характеристики

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

wav2vec2-large-robust-ft-swbd-300h

Распознавание речиАудио → текст6 профессий

Англоязычная модель Wav2Vec2 для расшифровки телефонных разговоров и другой речи в текст.

10 247скачиваний за 30 дней21лайквеса обновлены5 апр 2022

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

Модель facebook/wav2vec2-large-robust-ft-swbd-300h — акустическая модель распознавания речи на архитектуре Wav2Vec2 Large Robust с CTC-выходом. Её разработала Facebook; модель дообучена на 300 часах телефонных разговоров из корпуса Switchboard после предобучения на Libri-Light, Common Voice, Switchboard и Fisher. Размер модели — 402,7 млн параметров.

Модель предназначена для преобразования речи в текст, прежде всего телефонных разговоров на английском языке. Для входного аудио требуется частота дискретизации 16 кГц. Доступны веса PyTorch, лицензия Apache-2.0. Карточка не приводит результатов оценки качества и не описывает работу с другими языками или шумовыми условиями за пределами перечисленных корпусов.

Сценарии применения

  • расшифровка англоязычных телефонных звонков
  • транскрибация разговорной речи
  • создание текстовых расшифровок аудиозаписей с частотой 16 кГц

Ограничения

Входное аудио должно иметь частоту дискретизации 16 кГц. Модель обучалась на англоязычных корпусах; качество для других языков и типов аудио в карточке не описано.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Wav2Vec2-Large-Robust finetuned on Switchboard

Facebook's Wav2Vec2.

This model is a fine-tuned version of the wav2vec2-large-robust model. It has been pretrained on:

  • 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

and subsequently been finetuned on 300 hours of

  • Switchboard: telephone speech corpus; noisy telephone data

When using the model make sure that your speech input is also sampled at 16Khz.

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

To transcribe audio files the model can be used as a standalone acoustic model as follows:

 from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC
 from datasets import load_dataset
 import torch
 
 # load model and processor
 processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-large-robust-ft-swbd-300h")
 model = Wav2Vec2ForCTC.from_pretrained("facebook/wav2vec2-large-robust-ft-swbd-300h")
     
 # load dummy dataset and read soundfiles
 ds = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")
 
 # tokenize
 input_values = processor(ds[0]["audio"]["array"], return_tensors="pt", padding="longest").input_values  # Batch size 1
 
 # retrieve logits
 logits = model(input_values).logits
 
 # take argmax and decode
 predicted_ids = torch.argmax(logits, dim=-1)
 transcription = processor.batch_decode(predicted_ids)

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
828a838

0 моделей