/ Модель

Характеристики

Параметры
1,3 млрд
Лицензия
CC BY-NC 4.0
Архитектура
wav2vec2 · dense
Базовая модель
mms-1b-all
Библиотека
transformers
Опубликована
5 дек 2024

wav2vec2-large-mms-1b-uyghur-latin

Распознавание речиАудио → текст4 профессии

Дообученная wav2vec2-модель для распознавания уйгурской речи с выводом транскрипции латиницей.

147скачиваний за 30 дней3лайкавеса обновлены30 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

Модель wav2vec2-large-mms-1b-uyghur-latin — дообученная разработчиком ixxan версия facebook/mms-1b-all для автоматического распознавания речи с транскрипцией латиницей на уйгурском языке. Она построена на архитектуре Wav2Vec2ForCTC, содержит 1,3 млрд параметров и принимает аудио, выдавая текст.

На оценочной выборке указаны лучшие результаты: WER 30,8949% и CER 5,9823%. Модель может использоваться для транскрибирования уйгурской речи и преобразования аудиозаписей в текст. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Сценарии применения

  • транскрибирование уйгурской речи латиницей
  • распознавание речи в уйгурских аудиозаписях
  • создание текстовых расшифровок уйгурских записей

Ограничения

На оценочной выборке WER составляет 30,8949%, а CER — 5,9823%; фактическое качество может зависеть от аудио и условий записи. Лицензия запрещает коммерческое использование.

Для каких профессий подходит4

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-large-mms-1b-uyghur-latin

This model is a fine-tuned version of facebook/mms-1b-all on the None dataset. It achieves the following best results on the evaluation set:

  • Best Wer: 30.8949%
  • Best Cer: 5.9823 %

Training procedure

Finetuning code avaiblable in https://github.com/ixxan/ug-speech

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.001
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 32
  • optimizer: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 500
  • num_epochs: 4
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWer OrthoCer Ortho
0.34251.000613130.308135.31226.8424
0.32182.001126260.277131.72046.1840
0.30123.001739390.273930.89495.9823
0.29613.998952480.277131.71166.1806

Framework versions

  • Transformers 4.46.2
  • Pytorch 2.5.1+cu121
  • Datasets 3.1.0
  • Tokenizers 0.20.3

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
8bd8916

0 моделей