/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-base
Опубликована
2 авг 2024

asr-for-phoneme-detection-1

Распознавание речиАудио → текст3 профессии

Дообученная на TIMIT модель wav2vec 2.0 для распознавания речи и определения фонем.

13скачиваний за 30 дней0лайковвеса обновлены13 окт 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 kavsss/asr-for-phoneme-detection-1 — дообученная версия facebook/wav2vec2-base на наборе данных TIMIT. Она использует архитектуру Wav2Vec2ForCTC и предназначена для распознавания речевого аудио; название репозитория также указывает на применение для определения фонем. Модель содержит 113,3 млн параметров и опубликована в формате PyTorch.

На оценочной выборке указаны loss 0,2756 и WER 0,9613. Лицензия — Apache-2.0. README не описывает условия записи аудио, поддерживаемые языки или дополнительные ограничения; приведённый высокий WER указывает на слабое качество распознавания по этой метрике.

Сценарии применения

  • распознавание речи из аудиозаписей TIMIT
  • экспериментальное определение фонем в речи
  • оценка CTC-моделей распознавания речи на TIMIT

Ограничения

На оценочной выборке указан WER 0,9613, что свидетельствует о низком качестве распознавания по этой метрике. README не приводит сведений о поддерживаемых языках и практических ограничениях.

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

asr-for-phoneme-detection-1

This model is a fine-tuned version of facebook/wav2vec2-base on the TIMIT dataset. It achieves the following results on the evaluation set:

  • Loss: 0.2756
  • Wer: 0.9613

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: 0.0001
  • train_batch_size: 4
  • 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: 1000
  • num_epochs: 4

Training results

Training LossEpochStepValidation LossWer
1.88670.745001.89951.0
0.92651.4910000.50391.0
0.48812.2315000.35370.9940
0.35122.9820000.27810.9702
0.27063.7225000.27560.9613

Framework versions

  • Transformers 4.11.3
  • Pytorch 2.4.0
  • Datasets 2.20.0
  • Tokenizers 0.10.3

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
06030c9

0 моделей