/ Модель

Характеристики

Параметры
1,3 млрд
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Опубликована
2 мар 2022

wav2vec2-xls-r-1b

Распознавание речи6 профессий

Многоязычная предварительно обученная модель речевых представлений на wav2vec 2.0, которую дообучают для распознавания и других задач обработки речи.

146 тыс.скачиваний за 30 дней37лайковвеса обновлены10 авг 2022

Бенчмарки

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

Публичные оценки18

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

  • SIBFLEURS

    main_score

    Результат

    0,1431

    Общий результат 0,1881Общий результат 0,1791Общий результат 0,17
    MTEB

    Публичная таблицаревизия совпадает

  • MInDS14

    main_score

    Результат

    0,1016

    Общий результат 0,1424Общий результат 0,1408Общий результат 0,1334
    MTEB

    Публичная таблицаревизия совпадает

  • NSynth

    main_score

    Результат

    0,4665

    MTEB

    Публичная таблицаревизия совпадает

  • GTZANGenre

    main_score

    Результат

    0,661

    MTEB

    Публичная таблицаревизия совпадает

  • VehicleSoundClustering

    main_score

    Результат

    0,0013

    MTEB

    Публичная таблицаревизия совпадает

  • FSDD

    main_score

    Результат

    0,828

    MTEB

    Публичная таблицаревизия совпадает

  • VoxPopuliGenderClustering

    main_score

    Результат

    0,0033

    MTEB

    Публичная таблицаревизия совпадает

  • MridinghamTonic

    main_score

    Результат

    0,3985

    MTEB

    Публичная таблицаревизия совпадает

  • VoxPopuliLanguageID

    main_score

    Результат

    0,628

    MTEB

    Публичная таблицаревизия совпадает

  • SpokenQAForIC

    main_score

    Результат

    0,1802

    MTEB

    Публичная таблицаревизия совпадает

  • VocalSoundPairClassification

    main_score

    Результат

    0,4994

    MTEB

    Публичная таблицаревизия совпадает

  • MusicGenreClustering

    main_score

    Результат

    0,0786

    MTEB

    Публичная таблицаревизия совпадает

  • VoxLingua107_Top10

    main_score

    Результат

    0,3324

    MTEB

    Публичная таблицаревизия совпадает

  • UrbanSound8KAudioReranking

    main_score

    Результат

    0,3978

    MTEB

    Публичная таблицаревизия совпадает

  • NMSQAPairClassification

    main_score

    Результат

    0,4932

    MTEB

    Публичная таблицаревизия совпадает

  • VoxCelebSA

    main_score

    Результат

    0,2862

    MTEB

    Публичная таблицаревизия совпадает

  • SpokeNEnglish

    main_score

    Результат

    0,7169

    MTEB

    Публичная таблицаревизия совпадает

  • VoiceGenderClustering

    main_score

    Результат

    0,2193

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Wav2Vec2-XLS-R-1B — разработанная Facebook AI многоязычная модель для предварительного обучения речевых представлений на архитектуре wav2vec 2.0. Она содержит 1,3 млрд параметров и обучена на 436 тысячах часов немаркированной речи из нескольких корпусов, включая VoxPopuli, MLS, Common Voice, BABEL и VoxLingua107; заявлена поддержка 128 языков. Для подачи аудио требуется частота дискретизации 16 кГц.

Модель предназначена для дообучения под конкретную задачу: распознавание речи, перевод речи или классификацию, в том числе идентификацию языка. Это базовый речевой энкодер, а не готовая универсальная система распознавания или перевода; для прикладного использования нужны подходящая выходная голова и дообучение. Распространяется по лицензии Apache 2.0.

Сценарии применения

  • дообучение распознаванию речи в аудиозаписях
  • дообучение переводу речи между языками
  • классификация речевых аудиоданных
  • определение языка речи

Ограничения

Это предварительно обученный речевой энкодер, поэтому для прикладного распознавания, перевода или классификации его нужно дообучить под целевую задачу. Аудио следует подавать с частотой дискретизации 16 кГц.

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-XLS-R-1B

Facebook's Wav2Vec2 XLS-R counting 1 billion parameters.

model image

XLS-R is Facebook AI's large-scale multilingual pretrained model for speech (the "XLM-R for Speech"). It is pretrained on 436k hours of unlabeled speech, including VoxPopuli, MLS, CommonVoice, BABEL, and VoxLingua107. It uses the wav2vec 2.0 objective, in 128 languages. When using the model make sure that your speech input is sampled at 16kHz.

Note: This model should be fine-tuned on a downstream task, like Automatic Speech Recognition, Translation, or Classification. Check out this blog for more information about ASR.

XLS-R Paper

Abstract This paper presents XLS-R, a large-scale model for cross-lingual speech representation learning based on wav2vec 2.0. We train models with up to 2B parameters on 436K hours of publicly available speech audio in 128 languages, an order of magnitude more public data than the largest known prior work. Our evaluation covers a wide range of tasks, domains, data regimes and languages, both high and low-resource. On the CoVoST-2 speech translation benchmark, we improve the previous state of the art by an average of 7.4 BLEU over 21 translation directions into English. For speech recognition, XLS-R improves over the best known prior work on BABEL, MLS, CommonVoice as well as VoxPopuli, lowering error rates by 20%-33% relative on average. XLS-R also sets a new state of the art on VoxLingua107 language identification. Moreover, we show that with sufficient model size, cross-lingual pretraining can outperform English-only pretraining when translating English speech into other languages, a setting which favors monolingual pretraining. We hope XLS-R can help to improve speech processing tasks for many more languages of the world.

The original model can be found under https://github.com/pytorch/fairseq/tree/master/examples/wav2vec#wav2vec-20.

Usage

See this google colab for more information on how to fine-tune the model.

You can find other pretrained XLS-R models with different numbers of parameters:

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
35eaea9

0 моделей