/ Модель

Характеристики

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

xls-r-300m-sv

Распознавание речиАудио → текст7 профессий

Дообученная wav2vec2-модель для преобразования шведской речи в текст.

21скачиваний за 30 дней3лайкавеса обновлены28 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.

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

XLS-R-300m-SV — модель распознавания шведской речи, дообученная на базе facebook/wav2vec2-xls-r-300m на наборе Mozilla Common Voice 7.0 для шведского языка (конфигурация sv-SE). Модель использует архитектуру wav2vec2 с CTC-декодером и содержит около 402,7 млн параметров; принимает аудио и преобразует его в текст. Опубликованные результаты на тестовой выборке Common Voice 7.0: WER 24,68% без языковой модели и 16,98% с языковой моделью.

Модель выпущена под лицензией Apache-2.0. README не описывает дополнительные сценарии применения и ограничения; качество на других наборах данных не приведено.

Сценарии применения

  • расшифровка записей речи на шведском языке
  • транскрибация шведских аудиозаписей Common Voice
  • получение текстовой расшифровки шведской речи для последующей обработки

Ограничения

Опубликованная оценка дана только для тестовой выборки Common Voice 7.0; качество на других источниках аудио не указано. WER составляет 24,68% без языковой модели и 16,98% с ней.

Для каких профессий подходит7

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

XLS-R-300m-SV

This model is a fine-tuned version of facebook/wav2vec2-xls-r-300m on the MOZILLA-FOUNDATION/COMMON_VOICE_7_0 - SV-SE dataset. It achieves the following results on the evaluation set:

  • Loss: 0.3171
  • Wer: 0.2468

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: 7.5e-05
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 32
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 2000
  • num_epochs: 50.0
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWer
3.33491.455003.28581.0
2.92982.9110002.92251.0000
2.08394.3615001.15460.8295
1.70935.8120000.68270.5701
1.58557.2725000.55970.4947
1.48318.7230000.49230.4527
1.441610.1735000.46700.4270
1.384811.6340000.43410.3980
1.374913.0845000.42030.4011
1.331114.5350000.43100.3961
1.31715.9955000.38980.4322
1.279917.4460000.38060.3572
1.277118.8965000.38280.3427
1.245120.3570000.37020.3359
1.218221.875000.36850.3270
1.215223.2680000.36500.3308
1.183724.7185000.35680.3187
1.172126.1690000.36590.3249
1.176427.6195000.35470.3145
1.160629.07100000.35140.3104
1.143130.52105000.34690.3062
1.104731.97110000.33130.2979
1.131533.43115000.32980.2992
1.102234.88120000.32960.2973
1.093536.34125000.32780.2926
1.067637.79130000.32080.2868
1.057139.24135000.33220.2885
1.053640.7140000.32450.2831
1.052542.15145000.32850.2826
1.046443.6150000.32230.2796
1.041545.06155000.31660.2774
1.035646.51160000.31770.2746
1.0447.96165000.31500.2735
1.020949.42170000.31750.2731

Framework versions

  • Transformers 4.16.0.dev0
  • Pytorch 1.10.0+cu102
  • Datasets 1.17.1.dev0
  • Tokenizers 0.10.3

Evaluation Commands

  1. To evaluate on mozilla-foundation/common_voice_7_0 with split test
python eval.py --model_id hf-test/xls-r-300m-sv --dataset mozilla-foundation/common_voice_7_0 --config sv-SE --split test
  1. To evaluate on speech-recognition-community-v2/dev_data
python eval.py --model_id hf-test/xls-r-300m-sv --dataset speech-recognition-community-v2/dev_data --config sv --split validation --chunk_length_s 5.0 --stride_length_s 1.0

Inference With LM

import torch
from datasets import load_dataset
from transformers import AutoModelForCTC, AutoProcessor
import torchaudio.functional as F


model_id = "hf-test/xls-r-300m-sv"

sample_iter = iter(load_dataset("mozilla-foundation/common_voice_7_0", "sv-SE", split="test", streaming=True, use_auth_token=True))

sample = next(sample_iter)
resampled_audio = F.resample(torch.tensor(sample["audio"]["array"]), 48_000, 16_000).numpy()

model = AutoModelForCTC.from_pretrained(model_id)
processor = AutoProcessor.from_pretrained(model_id)

input_values = processor(resampled_audio, return_tensors="pt").input_values

with torch.no_grad():
    logits = model(input_values).logits

transcription = processor.batch_decode(logits.numpy()).text
# => "jag lämnade grovjobbet åt honom"

Eval results on Common Voice 7 "test" (WER):

Without LMWith LM (run ./eval.py)
24.6816.98

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
93e2b8a

0 моделей