/ Модель

Характеристики

Параметры
113 млн
Лицензия
CC BY-NC-SA 4.0
Архитектура
wav2vec2 · dense
Опубликована
25 мар 2022

wav2vec2-base-cs-80k-ClTRUS

Распознавание речи3 профессии

Предварительно обученная на чешской речи модель Wav2Vec 2.0 для адаптации к распознаванию речи после дообучения и добавления токенизатора.

52скачиваний за 30 дней2лайкавеса обновлены7 авг 2025

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-base-cs-80k-ClTRUS — одноязычная модель Wav2Vec 2.0 базового размера, разработанная для чешского языка и предварительно обученная на более чем 80 тысячах часов неразмеченной чешской речи. В метаданных указаны 113,3 млн параметров и архитектура Wav2Vec2ForPreTraining; модель обновлена до версии после 400 тысяч шагов обучения.

Модель принимает монофоническое аудио с частотой 16 кГц. Она обучена на радиозаписях, данных VoxPopuli, телевизионных передачах, спортивных и телефонных записях и других источниках. Для распознавания речи её нужно дообучить на размеченных аудиоданных и создать токенизатор: сама модель не содержит токенизатора и не готова к распознаванию речи «из коробки». После дообучения автор сообщает WER 3,8% на чешской части CommonVoice v7.0 и 8,8% на чешской части VoxPopuli.

Модель предназначена для дальнейшей адаптации к задачам обработки чешской речи. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях распространения производных материалов на той же лицензии, но запрещает коммерческое использование.

Сценарии применения

  • дообучение системы распознавания чешской речи
  • адаптация ASR для радио- и телезаписей на чешском языке
  • распознавание чешской речи в телефонных записях после дообучения
  • исследования самоконтролируемого обучения на чешской речи

Ограничения

Модель не содержит токенизатора и не выполняет распознавание речи без дополнительного дообучения на размеченных данных. Ожидается монофоническое аудио с частотой 16 кГц; лицензия исключает коммерческое использование.

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-base-cs-80k-ClTRUS

Czech language TRransformer from Unlabeled Speech (ClTRUS) is a monolingual Czech Wav2Vec 2.0 base model pre-trained from 80 thousand hours of Czech speech.

This model does not have a tokenizer as it was pretrained on audio alone. In order to use this model for speech recognition, a tokenizer should be created and the model should be fine-tuned on labeled text data.

Note [7.8.2025]: This model was updated to the latest version (trained for 400k updates).

Note: This is a checkpoint of the model after 4 epochs over the whole dataset. If you want some earlier or later checkpoints, please feel free to contact the author (jlehecka(at)kky.zcu.cz).

Pretraining data

More than 80 thousand hours of unlabeled Czech speech:

  • recordings from radio (22k hours),
  • unlabeled data from VoxPopuli dataset (18.7k hours),
  • TV shows (15k hours),
  • shadow speakers (12k hours),
  • sports (5k hours),
  • telephone data (2k hours),
  • and a smaller amount of data from several other domains including the public CommonVoice dataset.

Usage

Inputs must be 16kHz mono audio files.

This model can be used e.g. to extract per-frame contextual embeddings from audio:

from transformers import Wav2Vec2Model, Wav2Vec2FeatureExtractor
import torchaudio

feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained("fav-kky/wav2vec2-base-cs-80k-ClTRUS")
model = Wav2Vec2Model.from_pretrained("fav-kky/wav2vec2-base-cs-80k-ClTRUS")

speech_array, sampling_rate = torchaudio.load("/path/to/audio/file.wav")
inputs = feature_extractor(
    speech_array, 
    sampling_rate=16_000, 
    return_tensors="pt"
)["input_values"][0]

output = model(inputs)
embeddings = output.last_hidden_state.detach().numpy()[0]

Speech recognition results

After fine-tuning, the model scored the following results on public datasets:

  • Czech portion of CommonVoice v7.0: WER = 3.8%
  • Czech portion of VoxPopuli: WER = 8.8%

See our paper for details.

Paper

The preprint of our paper (accepted to INTERSPEECH 2022) is available at http://arxiv.org/abs/2206.07627

Citation

If you find this model useful, please cite our paper:

@inproceedings{wav2vec2-base-cs-80k-ClTRUS,
  title = {{Exploring Capabilities of Monolingual Audio Transformers using Large Datasets in Automatic Speech Recognition of Czech}},
  author = {
    Jan Lehe\v{c}ka and 
    Jan \v{S}vec and 
    Ale\v{s} Pra\v{z}\'ak and 
    Josef V. Psutka
  },
  booktitle={Proc. Interspeech 2022},
  pages={1831--1835},
  year = {2022},
  doi={10.21437/Interspeech.2022-10439}
}

Related works

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
33291d1

0 моделей