/ Модель
Каталог

Характеристики

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

Ссылки

Hugging Face

xls-asr-vi-40h

geninhu
Распознавание речиАудио → текст3 профессии

Дообученная wav2vec2-модель для преобразования вьетнамской речи в текст.

13скачиваний за 30 дней0лайковвеса обновлены23 мар 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.

Открыть конструктор бенчмарка

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

geninhu/xls-asr-vi-40h — модель распознавания речи на вьетнамском языке, созданная дообучением facebook/wav2vec2-xls-r-300m на Common Voice 7.0 (раздел vi) и частном наборе данных. Модель использует архитектуру Wav2Vec2ForCTC и содержит 403,4 млн параметров; опубликованные веса представлены в формате PyTorch.

Модель преобразует аудио в текст и подходит для транскрибации вьетнамской речи, в том числе записей, похожих на данные Common Voice. В README приведён результат оценки без языковой модели: WER 60,58 и loss 1,1177. Эти показатели указывают на заметные ошибки распознавания и не гарантируют качество на других данных. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибация записей речи на вьетнамском языке
  • распознавание вьетнамской речи в аудиозаписях, похожих на Common Voice
  • подготовка черновой расшифровки вьетнамского аудио

Ограничения

В README указана высокая ошибка WER 60,58 на тестовой оценке без языковой модели; качество на других записях может отличаться. Модель дообучена на Common Voice 7.0 и частном наборе данных, состав которого не описан.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.6Универсальные способностиПеревод и языковая адаптацияAI помогает переносить смысл между языками, форматами и культурными контекстами.16 задач16 710моделейI.9Универсальные способностиАудио и музыкаAI помогает анализировать, очищать, преобразовывать и создавать звук и музыку.15 задач4 835моделейI.7Универсальные способностиРечь, диалоги и встречиAI помогает понимать разговорную речь, поддерживать диалог и превращать встречи в структурированные результаты.17 задач26 923модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

xls-asr-vi-40h

This model is a fine-tuned version of facebook/wav2vec2-xls-r-300m on the common voice 7.0 vi & private dataset. It achieves the following results on the evaluation set (Without Language Model):

  • Loss: 1.1177
  • Wer: 60.58

Evaluation

Please run the eval.py file

!python eval_custom.py --model_id geninhu/xls-asr-vi-40h --dataset mozilla-foundation/common_voice_7_0 --config vi --split test

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 5e-06
  • train_batch_size: 16
  • eval_batch_size: 8
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 1500
  • num_epochs: 50.0
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWer
23.38780.93150021.91791.0
8.88621.8530006.05991.0
4.37012.7845004.38371.0
4.1133.760004.26980.9982
3.96664.6375003.97260.9989
3.59655.5690003.71240.9975
3.39446.48105003.50051.0057
3.3047.41120003.37101.0043
3.24828.33135003.42011.0155
3.2129.26150003.37321.0151
3.177810.19165003.27631.0009
3.102711.11180003.19431.0025
2.990512.04195002.80820.9703
2.709512.96210002.49930.9302
2.486213.89225002.30720.9140
2.327114.81240002.13980.8949
2.196815.74255002.05940.8817
2.11116.67270001.94040.8630
2.038717.59285001.88950.8497
1.950418.52300001.79610.8315
1.903919.44315001.74330.8213
1.834220.37330001.67900.7994
1.782421.3345001.62910.7825
1.735922.22360001.57830.7706
1.705323.15375001.52480.7492
1.650424.07390001.49300.7406
1.626325.0405001.45720.7348
1.589325.93420001.42020.7161
1.566926.85435001.39870.7143
1.527727.78450001.35120.6991
1.50128.7465001.33200.6879
1.478129.63480001.31120.6788
1.447730.56495001.28500.6657
1.448331.48510001.28130.6633
1.406532.41525001.24750.6541
1.377933.33540001.22440.6503
1.378834.26555001.21160.6407
1.342835.19570001.19380.6352
1.345336.11585001.19270.6340
1.313737.04600001.16990.6252
1.298437.96615001.16660.6229
1.292738.89630001.15850.6188
1.291939.81645001.16180.6190
1.29340.74660001.14790.6181
1.285341.67675001.14230.6202
1.268742.59690001.13150.6131
1.260343.52705001.13330.6128
1.257744.44720001.11910.6079
1.243545.37735001.11770.6079
1.25146.3750001.12110.6092
1.248247.22765001.11770.6060
1.242248.15780001.12270.6097
1.248549.07795001.11870.6071
1.242550.0810001.11770.6058

Framework versions

  • Transformers 4.16.0.dev0
  • Pytorch 1.10.1+cu102
  • Datasets 1.17.1.dev0
  • Tokenizers 0.11.0

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
34f61a5

0 моделей

    Создать бенчмарк