/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-large-xlsr-53-first-try
Библиотека
transformers
Опубликована
5 дек 2024

wav2vec2-large-xlsr-53-second-train

Распознавание речиАудио → текст

Дообученная модель Wav2Vec2 для преобразования речи в текст, показавшая высокий уровень ошибок на оценочной выборке.

7скачиваний за 30 дней0лайковвеса обновлены5 дек 2024

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

fathyy/wav2vec2-large-xlsr-53-second-train — модель распознавания речи на базе архитектуры Wav2Vec2, дообученная разработчиком на основе fathyy/wav2vec2-large-xlsr-53-first-try. Модель содержит 402,7 млн параметров и предназначена для преобразования аудиоречи в текст; репозиторий использует библиотеку Transformers и формат safetensors.

На тестовой выборке указаны Loss 2,3022 и WER 0,9529. Эти результаты показывают слабое качество распознавания на данной оценке, поэтому применимость модели для практических сценариев ограничена. Лицензия — Apache-2.0.

Сценарии применения

  • экспериментальное распознавание речи из аудиозаписей
  • оценка качества дообучения моделей ASR
  • тестирование распознавания речи на собственных аудиоданных

Ограничения

В README указана оценка WER 0,9529, что свидетельствует о крайне высокой доле ошибок на использованной оценочной выборке. Язык распознавания и характеристики обучающих данных не описаны.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

wav2vec2-large-xlsr-53-second-train

This model is a fine-tuned version of fathyy/wav2vec2-large-xlsr-53-first-try on the None dataset. It achieves the following results on the evaluation set:

  • Loss: 2.3022
  • Wer: 0.9529

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.001
  • train_batch_size: 8
  • eval_batch_size: 16
  • seed: 42
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 16
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 1200
  • num_epochs: 20
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWer
3.07022.66675003.04981.0
3.0035.333310003.04851.0
2.90978.015002.98471.0
2.770310.666720002.84140.9912
2.60113.333325002.80460.9706
2.409516.030002.48210.9529
2.222218.666735002.30220.9529

Framework versions

  • Transformers 4.45.2
  • Pytorch 2.4.0
  • Datasets 3.0.1
  • Tokenizers 0.20.0

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
c864614

0 моделей