/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
vakyansh-wav2vec2-punjabi-pam-10
Опубликована
2 мар 2022

wav2vec2-large-xlsr-53-punjabi

Распознавание речиАудио → текст7 профессий

Модель Wav2Vec2 для транскрибирования речи на панджаби в текст.

218 тыс.скачиваний за 30 дней4лайкавеса обновлены11 окт 2023

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

kingabzpro/wav2vec2-large-xlsr-53-punjabi — модель распознавания речи на основе архитектуры Wav2Vec2ForCTC, дообученная на базе Harveenchadha/vakyansh-wav2vec2-punjabi-pam-10 на датасете Common Voice. Она преобразует аудиозаписи на панджаби в текст и подходит для транскрибирования речи, в том числе записей из Common Voice.

Модель содержит 113,3 млн параметров и распространяется в форматах PyTorch и safetensors. На тестовой выборке Common Voice 8.0 указаны WER 0,4939 и CER 0,2238. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибирование аудиозаписей на панджаби
  • распознавание панджаби в записях речи
  • подготовка текстовых расшифровок для аудиоколлекций

Ограничения

На тестовой выборке Common Voice 8.0 указаны WER 0,4939 и CER 0,2238; точность может зависеть от качества записи и условий речи.

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

wav2vec2-large-xlsr-53-punjabi

This model is a fine-tuned version of Harveenchadha/vakyansh-wav2vec2-punjabi-pam-10 on the common_voice dataset. It achieves the following results on the evaluation set:

  • Loss: 1.2101
  • Wer: 0.4939
  • Cer: 0.2238

Evaluation Commands

  1. To evaluate on mozilla-foundation/common_voice_8_0 with split test
python eval.py --model_id kingabzpro/wav2vec2-large-xlsr-53-punjabi --dataset mozilla-foundation/common_voice_8_0 --config pa-IN --split test

Inference With LM

import torch
from datasets import load_dataset
from transformers import AutoModelForCTC, AutoProcessor
import torchaudio.functional as F
model_id = "kingabzpro/wav2vec2-large-xlsr-53-punjabi"
sample_iter = iter(load_dataset("mozilla-foundation/common_voice_8_0", "pa-IN", 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

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0003
  • train_batch_size: 16
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 2
  • 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: 200
  • num_epochs: 30
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWerCer
11.05633.71001.94920.71230.3872
1.67157.412001.31420.64330.3086
0.911711.113001.27330.56570.2627
0.66614.814001.27300.55980.2534
0.422518.525001.25480.53000.2399
0.320922.226001.21660.52290.2372
0.267825.937001.17950.50410.2276
0.208829.638001.21010.49390.2238

Framework versions

  • Transformers 4.17.0.dev0
  • Pytorch 1.10.2+cu102
  • Datasets 1.18.2.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
cd3f671

0 моделей