Характеристики

Параметры: 403 млн
Архитектура: wav2vec2-bert · dense
Базовая модель: w2v-bert-2.0
Опубликована: 5 янв 2024

Ссылки

Hugging Face

wav2vec2-bert-CV16-en

hf-audio

Распознавание речиАудио → текст9 профессий

Англоязычная модель на базе Wav2Vec2-BERT для преобразования речи в текст, дообученная на Common Voice 16.0.

1 582скачиваний за 30 дней8лайковвеса обновлены15 янв 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
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

wav2vec2-bert-CV16-en — модель автоматического распознавания речи, разработанная на основе ylacombe/w2v-bert-2.0 и дообученная на англоязычном наборе MOZILLA-FOUNDATION/COMMON_VOICE_16_0. Она построена на архитектуре Wav2Vec2BertForCTC и содержит 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; карточка указывает результаты на тестовой выборке: WER 0,1455 и CER 0,0580. Репозиторий использует формат safetensors. Лицензия в предоставленных данных не указана.

Сценарии применения

транскрибация англоязычных аудиозаписей
распознавание речи в голосовых сообщениях
создание текстовой расшифровки записей интервью
распознавание английской речи из датасетов

Ограничения

Оценочные результаты приведены только для тестовой выборки Common Voice 16.0; качество на иных акцентах, шумных записях и предметных областях не описано. Модель предназначена для английской речи.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.7Универсальные способностиРечь, диалоги и встречиAI помогает понимать разговорную речь, поддерживать диалог и превращать встречи в структурированные результаты.17 задач26 923модели I.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953модели I.9Универсальные способностиАудио и музыкаAI помогает анализировать, очищать, преобразовывать и создавать звук и музыку.15 задач4 835моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

wav2vec2-bert-CV16-en

This model is a fine-tuned version of ylacombe/w2v-bert-2.0 on the MOZILLA-FOUNDATION/COMMON_VOICE_16_0 - EN dataset. It achieves the following results on the evaluation set:

Loss: 0.2427
Wer: 0.1455
Cer: 0.0580

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: 5e-05
train_batch_size: 12
eval_batch_size: 12
seed: 42
distributed_type: multi-GPU
num_devices: 3
total_train_batch_size: 36
total_eval_batch_size: 36
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 10000
num_epochs: 3.0
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Wer	Cer
2.9554	0.01	250	3.1731	0.9999	0.9942
2.7058	0.02	500	2.6717	1.0307	0.7486
0.9641	0.02	750	0.9895	0.6091	0.2035
0.6935	0.03	1000	0.7740	0.4821	0.1562
0.617	0.04	1250	0.6751	0.4008	0.1303
0.4826	0.05	1500	0.5920	0.3499	0.1170
0.4252	0.06	1750	0.5659	0.3056	0.1053
0.472	0.07	2000	0.5066	0.2869	0.1007
0.4042	0.07	2250	0.4604	0.2662	0.0950
0.4279	0.08	2500	0.5165	0.2587	0.0948
0.3586	0.09	2750	0.4440	0.2461	0.0895
0.2715	0.1	3000	0.5096	0.2468	0.0904
0.413	0.11	3250	0.4416	0.2350	0.0879
0.3142	0.11	3500	0.4591	0.2280	0.0856
0.286	0.12	3750	0.4529	0.2284	0.0860
0.3112	0.13	4000	0.4621	0.2320	0.0875
0.3294	0.14	4250	0.4528	0.2294	0.0862
0.3522	0.15	4500	0.4279	0.2287	0.0861
0.2977	0.15	4750	0.4403	0.2200	0.0830
0.2391	0.16	5000	0.4360	0.2161	0.0831
0.3025	0.17	5250	0.4214	0.2157	0.0831
0.309	0.18	5500	0.4060	0.2125	0.0818
0.2872	0.19	5750	0.4233	0.2189	0.0824
0.2796	0.2	6000	0.4055	0.2151	0.0823
0.2609	0.2	6250	0.4374	0.2194	0.0853
0.283	0.21	6500	0.4288	0.2215	0.0877
0.3028	0.22	6750	0.4180	0.2166	0.0837
0.2565	0.23	7000	0.4476	0.2268	0.0892
0.2824	0.24	7250	0.4057	0.2195	0.0850
0.325	0.24	7500	0.3926	0.2157	0.0849
0.336	0.25	7750	0.4469	0.2208	0.0879
0.304	0.26	8000	0.4292	0.2245	0.0886
0.2457	0.27	8250	0.4198	0.2204	0.0856
0.2768	0.28	8500	0.4330	0.2184	0.0859
0.2165	0.29	8750	0.4276	0.2173	0.0864
0.3015	0.29	9000	0.4255	0.2223	0.0882
0.308	0.3	9250	0.4356	0.2318	0.0925
0.2981	0.31	9500	0.4514	0.2226	0.0884
0.2944	0.32	9750	0.4182	0.2293	0.0901
0.3298	0.33	10000	0.4290	0.2275	0.0892
0.2523	0.33	10250	0.4032	0.2191	0.0865
0.2887	0.34	10500	0.4218	0.2284	0.0917
0.3156	0.35	10750	0.3930	0.2271	0.0898
0.2526	0.36	11000	0.4367	0.2304	0.0928
0.2561	0.37	11250	0.4261	0.2279	0.0916
0.2291	0.37	11500	0.4401	0.2231	0.0899
0.2521	0.38	11750	0.4101	0.2232	0.0895
0.2249	0.39	12000	0.4021	0.2270	0.0913
0.2917	0.4	12250	0.4124	0.2267	0.0915
0.2436	0.41	12500	0.4197	0.2257	0.0903
0.2976	0.42	12750	0.3951	0.2230	0.0896
0.2333	0.42	13000	0.4099	0.2250	0.0901
0.2261	0.43	13250	0.4328	0.2168	0.0876
0.2514	0.44	13500	0.3947	0.2208	0.0895
0.296	0.45	13750	0.3953	0.2149	0.0859
0.2426	0.46	14000	0.3831	0.2119	0.0852
0.2258	0.46	14250	0.4060	0.2263	0.0915
0.2565	0.47	14500	0.4057	0.2237	0.0901
0.2834	0.48	14750	0.4112	0.2167	0.0876
0.234	0.49	15000	0.3802	0.2133	0.0852
0.3084	0.5	15250	0.3837	0.2151	0.0871
0.3051	0.51	15500	0.3848	0.2145	0.0867
0.2364	0.51	15750	0.3817	0.2134	0.0870
0.2345	0.52	16000	0.3883	0.2163	0.0874
0.2235	0.53	16250	0.3740	0.2136	0.0869
0.2365	0.54	16500	0.3711	0.2112	0.0850
0.2449	0.55	16750	0.3805	0.2127	0.0858
0.2569	0.55	17000	0.3794	0.2124	0.0863
0.2273	0.56	17250	0.3922	0.2207	0.0895
0.2492	0.57	17500	0.3670	0.2195	0.0874
0.236	0.58	17750	0.3799	0.2120	0.0862
0.2823	0.59	18000	0.3734	0.2144	0.0867
0.2349	0.59	18250	0.3972	0.2175	0.0889
0.2156	0.6	18500	0.3729	0.2157	0.0867
0.2812	0.61	18750	0.3905	0.2117	0.0854
0.242	0.62	19000	0.3912	0.2114	0.0855
0.2237	0.63	19250	0.3794	0.2155	0.0877
0.255	0.64	19500	0.3770	0.2079	0.0840
0.1899	0.64	19750	0.3796	0.2145	0.0868
0.2793	0.65	20000	0.3784	0.2145	0.0863
0.2099	0.66	20250	0.3956	0.2161	0.0875
0.22	0.67	20500	0.3804	0.2135	0.0875
0.2213	0.68	20750	0.3803	0.2100	0.0849
0.245	0.68	21000	0.3783	0.2142	0.0870
0.2188	0.69	21250	0.3873	0.2163	0.0861
0.2613	0.7	21500	0.3646	0.2105	0.0844
0.1907	0.71	21750	0.3830	0.2101	0.0853
0.2095	0.72	22000	0.3794	0.2087	0.0849
0.2319	0.73	22250	0.3548	0.2087	0.0842
0.2049	0.73	22500	0.3782	0.2075	0.0837
0.2248	0.74	22750	0.3736	0.2100	0.0845
0.2277	0.75	23000	0.3712	0.2105	0.0845
0.2115	0.76	23250	0.3722	0.2124	0.0859
0.2001	0.77	23500	0.3602	0.2072	0.0832
0.2095	0.77	23750	0.3607	0.2106	0.0851
0.2286	0.78	24000	0.3810	0.2132	0.0876
0.2284	0.79	24250	0.3677	0.2066	0.0847
0.2003	0.8	24500	0.3650	0.2098	0.0847
0.1992	0.81	24750	0.3491	0.2019	0.0813
0.224	0.81	25000	0.3602	0.2043	0.0825
0.2181	0.82	25250	0.3712	0.2120	0.0867
0.2226	0.83	25500	0.3657	0.2028	0.0830
0.1912	0.84	25750	0.3662	0.2076	0.0846
0.2283	0.85	26000	0.3505	0.2049	0.0825
0.2068	0.86	26250	0.3622	0.2111	0.0852
0.2444	0.86	26500	0.3660	0.2055	0.0840
0.2055	0.87	26750	0.3625	0.2055	0.0830
0.2074	0.88	27000	0.3566	0.1981	0.0812
0.2019	0.89	27250	0.3537	0.2038	0.0822
0.2174	0.9	27500	0.3664	0.1990	0.0809
0.2009	0.9	27750	0.3512	0.2035	0.0821
0.211	0.91	28000	0.3707	0.2068	0.0846
0.2541	0.92	28250	0.3435	0.1992	0.0812
0.2108	0.93	28500	0.3461	0.2046	0.0828
0.2274	0.94	28750	0.3364	0.1998	0.0812
0.2175	0.95	29000	0.3742	0.2113	0.0864
0.2368	0.95	29250	0.3431	0.2051	0.0833
0.1831	0.96	29500	0.3468	0.2034	0.0825
0.2202	0.97	29750	0.3342	0.1964	0.0791
0.183	0.98	30000	0.3413	0.1966	0.0792
0.1958	0.99	30250	0.3466	0.1991	0.0809
0.2167	0.99	30500	0.3530	0.2024	0.0816
0.2057	1.0	30750	0.3334	0.1960	0.0788
0.1982	1.01	31000	0.3312	0.1951	0.0789
0.2123	1.02	31250	0.3285	0.1955	0.0785
0.2269	1.03	31500	0.3548	0.2034	0.0812
0.2056	1.03	31750	0.3433	0.1969	0.0793
0.2234	1.04	32000	0.3446	0.1981	0.0805
0.1913	1.05	32250	0.3465	0.1969	0.0792
0.2005	1.06	32500	0.3348	0.1947	0.0784
0.2017	1.07	32750	0.3567	0.1972	0.0796
0.2523	1.08	33000	0.3367	0.1971	0.0801
0.1716	1.08	33250	0.3476	0.1975	0.0799
0.168	1.09	33500	0.3346	0.1951	0.0790
0.1995	1.1	33750	0.3564	0.1971	0.0794
0.198	1.11	34000	0.3409	0.1988	0.0796
0.1801	1.12	34250	0.3303	0.1995	0.0798
0.181	1.12	34500	0.3363	0.1967	0.0794
0.1966	1.13	34750	0.3375	0.1947	0.0784
0.2163	1.14	35000	0.3441	0.2011	0.0810
0.2285	1.15	35250	0.3303	0.1972	0.0801
0.1814	1.16	35500	0.3462	0.1895	0.0772
0.2127	1.17	35750	0.3393	0.1904	0.0775
0.1795	1.17	36000	0.3374	0.1928	0.0780
0.2062	1.18	36250	0.3286	0.1929	0.0783
0.172	1.19	36500	0.3334	0.1929	0.0781
0.1534	1.2	36750	0.3287	0.1895	0.0763
0.2101	1.21	37000	0.3261	0.1888	0.0764
0.2342	1.21	37250	0.3413	0.2007	0.0812
0.1692	1.22	37500	0.3375	0.1932	0.0780
0.165	1.23	37750	0.3220	0.1903	0.0767
0.2067	1.24	38000	0.3212	0.1855	0.0754
0.1984	1.25	38250	0.3339	0.1890	0.0762
0.2117	1.25	38500	0.3224	0.1900	0.0761
0.2036	1.26	38750	0.3410	0.1923	0.0790
0.2072	1.27	39000	0.3291	0.1904	0.0770
0.1962	1.28	39250	0.3237	0.1908	0.0770
0.2055	1.29	39500	0.3260	0.1896	0.0767
0.1753	1.3	39750	0.3375	0.1915	0.0777
0.1983	1.3	40000	0.3236	0.1850	0.0750
0.173	1.31	40250	0.3253	0.1870	0.0754
0.1773	1.32	40500	0.3316	0.1923	0.0766
0.1649	1.33	40750	0.3218	0.1842	0.0749
0.1806	1.34	41000	0.3161	0.1907	0.0769
0.1639	1.34	41250	0.3293	0.1898	0.0773
0.1733	1.35	41500	0.3148	0.1881	0.0756
0.1603	1.36	41750	0.3137	0.1851	0.0748
0.1753	1.37	42000	0.3100	0.1857	0.0751
0.1823	1.38	42250	0.3170	0.1821	0.0740
0.1647	1.39	42500	0.3210	0.1863	0.0758
0.1699	1.39	42750	0.3151	0.1861	0.0761
0.1693	1.4	43000	0.3184	0.1800	0.0730
0.1885	1.41	43250	0.3089	0.1830	0.0739
0.1626	1.42	43500	0.3203	0.1852	0.0746
0.1707	1.43	43750	0.3263	0.1834	0.0745
0.1997	1.43	44000	0.3092	0.1807	0.0732
0.1568	1.44	44250	0.3096	0.1828	0.0742
0.1698	1.45	44500	0.3142	0.1826	0.0736
0.165	1.46	44750	0.3205	0.1903	0.0765
0.1834	1.47	45000	0.3226	0.1855	0.0750
0.1614	1.47	45250	0.3141	0.1825	0.0737
0.1794	1.48	45500	0.3100	0.1823	0.0734
0.1838	1.49	45750	0.2988	0.1825	0.0732
0.1678	1.5	46000	0.3061	0.1797	0.0726
0.1691	1.51	46250	0.3192	0.1821	0.0743
0.1743	1.52	46500	0.3133	0.1815	0.0736
0.1666	1.52	46750	0.3034	0.1821	0.0731
0.1903	1.53	47000	0.3016	0.1792	0.0721
0.2236	1.54	47250	0.3137	0.1819	0.0739
0.1469	1.55	47500	0.3092	0.1796	0.0725
0.175	1.56	47750	0.3009	0.1753	0.0715
0.1578	1.56	48000	0.3023	0.1778	0.0717
0.1998	1.57	48250	0.3059	0.1816	0.0726
0.1887	1.58	48500	0.3063	0.1791	0.0720
0.1635	1.59	48750	0.3027	0.1786	0.0722
0.2074	1.6	49000	0.3001	0.1756	0.0708
0.1719	1.61	49250	0.2957	0.1788	0.0718
0.1654	1.61	49500	0.3020	0.1795	0.0721
0.1572	1.62	49750	0.3011	0.1769	0.0710
0.177	1.63	50000	0.2929	0.1783	0.0712
0.1771	1.64	50250	0.3082	0.1812	0.0722
0.1796	1.65	50500	0.2946	0.1781	0.0713
0.1585	1.65	50750	0.3107	0.1819	0.0733
0.1815	1.66	51000	0.3073	0.1775	0.0721
0.1601	1.67	51250	0.3020	0.1734	0.0701
0.1769	1.68	51500	0.3063	0.1771	0.0710
0.1786	1.69	51750	0.3014	0.1766	0.0703
0.1743	1.69	52000	0.3096	0.1767	0.0710
0.1864	1.7	52250	0.3063	0.1802	0.0720
0.1399	1.71	52500	0.3094	0.1773	0.0718
0.1678	1.72	52750	0.3073	0.1796	0.0724
0.1497	1.73	53000	0.2959	0.1753	0.0701
0.1565	1.74	53250	0.2955	0.1729	0.0690
0.1942	1.74	53500	0.2926	0.1742	0.0693
0.1848	1.75	53750	0.2897	0.1721	0.0686
0.1664	1.76	54000	0.2951	0.1787	0.0708
0.1296	1.77	54250	0.2899	0.1705	0.0679
0.1763	1.78	54500	0.2877	0.1725	0.0686
0.1627	1.78	54750	0.2959	0.1735	0.0697
0.1433	1.79	55000	0.2952	0.1729	0.0693
0.1632	1.8	55250	0.2829	0.1728	0.0686
0.1837	1.81	55500	0.2840	0.1734	0.0688
0.146	1.82	55750	0.2855	0.1686	0.0675
0.1862	1.83	56000	0.2845	0.1721	0.0691
0.1576	1.83	56250	0.2917	0.1762	0.0703
0.1183	1.84	56500	0.2828	0.1713	0.0687
0.1582	1.85	56750	0.2910	0.1708	0.0684
0.1699	1.86	57000	0.2927	0.1733	0.0693
0.1761	1.87	57250	0.2812	0.1687	0.0671
0.1421	1.87	57500	0.2869	0.1699	0.0683
0.1662	1.88	57750	0.2913	0.1748	0.0697
0.151	1.89	58000	0.2984	0.1736	0.0692
0.1513	1.9	58250	0.2862	0.1715	0.0683
0.165	1.91	58500	0.2808	0.1691	0.0675
0.1391	1.91	58750	0.2848	0.1696	0.0676
0.1297	1.92	59000	0.2837	0.1666	0.0666
0.1398	1.93	59250	0.2771	0.1682	0.0673
0.1356	1.94	59500	0.2868	0.1710	0.0686
0.1552	1.95	59750	0.2817	0.1707	0.0687
0.1697	1.96	60000	0.2901	0.1691	0.0673
0.1545	1.96	60250	0.2796	0.1671	0.0668
0.1598	1.97	60500	0.2791	0.1655	0.0664
0.147	1.98	60750	0.2775	0.1673	0.0665
0.1658	1.99	61000	0.2742	0.1681	0.0665
0.1501	2.0	61250	0.2811	0.1702	0.0676
0.1428	2.0	61500	0.2827	0.1669	0.0665
0.1107	2.01	61750	0.2854	0.1649	0.0664
0.1176	2.02	62000	0.2881	0.1650	0.0661
0.1032	2.03	62250	0.2706	0.1647	0.0657
0.1229	2.04	62500	0.2806	0.1678	0.0666
0.1397	2.05	62750	0.2799	0.1634	0.0654
0.1182	2.05	63000	0.2799	0.1653	0.0662
0.1294	2.06	63250	0.2746	0.1635	0.0656
0.1358	2.07	63500	0.2738	0.1643	0.0653
0.1464	2.08	63750	0.2793	0.1662	0.0664
0.1362	2.09	64000	0.2738	0.1635	0.0650
0.1264	2.09	64250	0.2795	0.1653	0.0666
0.1189	2.1	64500	0.2792	0.1657	0.0658
0.1157	2.11	64750	0.2754	0.1619	0.0648
0.1232	2.12	65000	0.2798	0.1627	0.0646
0.1209	2.13	65250	0.2723	0.1623	0.0654
0.1079	2.13	65500	0.2769	0.1611	0.0644
0.1217	2.14	65750	0.2694	0.1604	0.0642
0.1207	2.15	66000	0.2758	0.1608	0.0645
0.1515	2.16	66250	0.2691	0.1634	0.0654
0.1145	2.17	66500	0.2770	0.1623	0.0651
0.1752	2.18	66750	0.2696	0.1603	0.0642
0.1366	2.18	67000	0.2725	0.1610	0.0647
0.1171	2.19	67250	0.2734	0.1615	0.0647
0.1429	2.2	67500	0.2748	0.1602	0.0644
0.1329	2.21	67750	0.2727	0.1593	0.0643
0.1126	2.22	68000	0.2734	0.1603	0.0645
0.117	2.22	68250	0.2803	0.1632	0.0655
0.1109	2.23	68500	0.2748	0.1589	0.0644
0.1296	2.24	68750	0.2749	0.1594	0.0640
0.1506	2.25	69000	0.2680	0.1582	0.0633
0.1282	2.26	69250	0.2664	0.1587	0.0638
0.0987	2.27	69500	0.2700	0.1593	0.0638
0.1288	2.27	69750	0.2726	0.1582	0.0636
0.1022	2.28	70000	0.2744	0.1577	0.0636
0.1102	2.29	70250	0.2672	0.1586	0.0636
0.1165	2.3	70500	0.2677	0.1569	0.0632
0.1289	2.31	70750	0.2700	0.1558	0.0628
0.1144	2.31	71000	0.2780	0.1585	0.0637
0.1092	2.32	71250	0.2687	0.1561	0.0629
0.1126	2.33	71500	0.2733	0.1553	0.0623
0.1231	2.34	71750	0.2712	0.1568	0.0630
0.1302	2.35	72000	0.2638	0.1548	0.0622
0.1104	2.35	72250	0.2671	0.1561	0.0632
0.1076	2.36	72500	0.2636	0.1552	0.0623
0.1193	2.37	72750	0.2650	0.1580	0.0633
0.1163	2.38	73000	0.2624	0.1555	0.0621
0.1108	2.39	73250	0.2667	0.1552	0.0622
0.0903	2.4	73500	0.2643	0.1555	0.0626
0.1388	2.4	73750	0.2674	0.1546	0.0623
0.1069	2.41	74000	0.2621	0.1553	0.0623
0.1054	2.42	74250	0.2567	0.1549	0.0617
0.1151	2.43	74500	0.2625	0.1538	0.0617
0.1304	2.44	74750	0.2588	0.1537	0.0616
0.1102	2.44	75000	0.2598	0.1533	0.0617
0.0926	2.45	75250	0.2592	0.1529	0.0612
0.118	2.46	75500	0.2565	0.1542	0.0614
0.1027	2.47	75750	0.2603	0.1520	0.0611
0.1084	2.48	76000	0.2603	0.1529	0.0611
0.1077	2.49	76250	0.2572	0.1519	0.0610
0.1033	2.49	76500	0.2595	0.1518	0.0608
0.1071	2.5	76750	0.2562	0.1515	0.0607
0.1012	2.51	77000	0.2537	0.1521	0.0609
0.1257	2.52	77250	0.2572	0.1521	0.0612
0.1096	2.53	77500	0.2549	0.1518	0.0606
0.1169	2.53	77750	0.2589	0.1538	0.0614
0.1136	2.54	78000	0.2558	0.1520	0.0607
0.1137	2.55	78250	0.2600	0.1539	0.0611
0.0968	2.56	78500	0.2600	0.1523	0.0610
0.0982	2.57	78750	0.2598	0.1515	0.0607
0.085	2.57	79000	0.2534	0.1499	0.0601
0.1193	2.58	79250	0.2550	0.1506	0.0601
0.1096	2.59	79500	0.2519	0.1499	0.0601
0.1132	2.6	79750	0.2518	0.1516	0.0603
0.1119	2.61	80000	0.2494	0.1511	0.0600
0.1005	2.62	80250	0.2483	0.1492	0.0596
0.1098	2.62	80500	0.2544	0.1507	0.0601
0.1052	2.63	80750	0.2537	0.1486	0.0595
0.13	2.64	81000	0.2505	0.1499	0.0596
0.1104	2.65	81250	0.2487	0.1492	0.0594
0.1168	2.66	81500	0.2461	0.1500	0.0596
0.1198	2.66	81750	0.2496	0.1504	0.0597
0.0936	2.67	82000	0.2556	0.1496	0.0598
0.1235	2.68	82250	0.2537	0.1501	0.0599
0.0952	2.69	82500	0.2525	0.1504	0.0599
0.1014	2.7	82750	0.2470	0.1505	0.0599
0.1178	2.71	83000	0.2506	0.1487	0.0596
0.0969	2.71	83250	0.2487	0.1482	0.0592
0.1192	2.72	83500	0.2469	0.1483	0.0592
0.0978	2.73	83750	0.2510	0.1490	0.0595
0.1053	2.74	84000	0.2496	0.1487	0.0595
0.106	2.75	84250	0.2481	0.1494	0.0594
0.1217	2.75	84500	0.2482	0.1493	0.0592
0.103	2.76	84750	0.2475	0.1485	0.0591
0.1424	2.77	85000	0.2466	0.1476	0.0590
0.116	2.78	85250	0.2488	0.1484	0.0593
0.098	2.79	85500	0.2509	0.1488	0.0596
0.1101	2.79	85750	0.2488	0.1482	0.0594
0.1068	2.8	86000	0.2480	0.1479	0.0591
0.0929	2.81	86250	0.2477	0.1476	0.0590
0.1142	2.82	86500	0.2471	0.1472	0.0589
0.1144	2.83	86750	0.2451	0.1467	0.0585
0.1115	2.84	87000	0.2464	0.1474	0.0588
0.1415	2.84	87250	0.2428	0.1467	0.0585
0.084	2.85	87500	0.2459	0.1465	0.0583
0.1198	2.86	87750	0.2452	0.1477	0.0587
0.1228	2.87	88000	0.2420	0.1472	0.0584
0.1063	2.88	88250	0.2462	0.1469	0.0586
0.1313	2.88	88500	0.2415	0.1464	0.0582
0.1081	2.89	88750	0.2421	0.1458	0.0580
0.0984	2.9	89000	0.2452	0.1464	0.0584
0.0934	2.91	89250	0.2428	0.1466	0.0584
0.0964	2.92	89500	0.2437	0.1456	0.0581
0.1113	2.93	89750	0.2442	0.1461	0.0583
0.1082	2.93	90000	0.2432	0.1455	0.0581
0.1147	2.94	90250	0.2417	0.1452	0.0580
0.0896	2.95	90500	0.2442	0.1459	0.0582
0.1169	2.96	90750	0.2433	0.1456	0.0582
0.0968	2.97	91000	0.2439	0.1456	0.0581
0.0888	2.97	91250	0.2435	0.1454	0.0580
0.1278	2.98	91500	0.2427	0.1457	0.0581
0.1234	2.99	91750	0.2425	0.1455	0.0580
0.0922	3.0	92000	0.2427	0.1455	0.0580

Framework versions

Transformers 4.37.0.dev0
Pytorch 2.1.0+cu121
Datasets 2.16.1
Tokenizers 0.15.0

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры: Wav2Vec2BertForCTC
Ревизия весов: be3a861

Характеристики

Ссылки

wav2vec2-bert-CV16-en

Бенчмарки

Тесты пользователейпока нет

Добавьте модель в бенчмарк

Опишите свои задачи

Запустите и опубликуйте

Публичные оценки

Что умеет модель

Сценарии применения

Ограничения

Для каких профессий подходит9

Также подходит для

Карточка модели

wav2vec2-bert-CV16-en

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

Как запустить