/ Модель

Характеристики

Параметры
403 млн
Архитектура
wav2vec2 · dense
Базовая модель
21_2500_1e-4_hp-mehrdad
Опубликована
4 дек 2023

B2_1000_1e-5_hp-mehrdad

Распознавание речиАудио → текст

Дообученная модель wav2vec 2.0 для распознавания речи и преобразования аудио в текст.

7скачиваний за 30 дней0лайковвеса обновлены5 дек 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

lnxdx/B2_1000_1e-5_hp-mehrdad — модель распознавания речи на архитектуре wav2vec 2.0 с головой CTC, разработанная как дообучение lnxdx/21_2500_1e-4_hp-mehrdad. В репозитории указано 402,7 млн параметров; веса опубликованы в формате Safetensors. Модель предназначена для преобразования аудиозаписей в текст. В карточке приведены результаты на наборах ShEMO и Common Voice 13: WER составляет 31,37 на dev-разбиении ShEMO и 19,26 на тесте Common Voice 13.

Язык распознавания явно не указан, хотя оценка на ShEMO может указывать на персидскую эмоциональную речь; это предположение не подтверждено карточкой. Лицензия в предоставленных данных не указана.

Сценарии применения

  • распознавание речи в аудиозаписях
  • транскрибирование тестовых записей Common Voice 13
  • оценка качества распознавания речи на ShEMO

Ограничения

Карточка сообщает WER 31,37 на dev-разбиении ShEMO и 19,26 на тесте Common Voice 13, но не описывает языковые ограничения и условия применения; языки из этих оценок нельзя считать подтверждёнными.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

2_1000_1e-5_hp-mehrdad

This model is a fine-tuned version of lnxdx/21_2500_1e-4_hp-mehrdad on the None dataset. It achieves the following results on the evaluation set:

  • Loss on ShEMO train set: 0.6809
  • Loss on ShEMO dev set: 0.6591
  • WER on ShEMO train set: 27.41
  • WER on ShEMO dev set: 31.37 (Why not 31.36?)
  • WER on Common Voice 13 test set: 19.26

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: 1e-05
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 16
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 500
  • training_steps: 1000
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWer
0.76240.621000.67080.3236
0.781.252000.66680.3245
0.78561.883000.66000.3274
0.72392.54000.66720.3233
0.73113.125000.67480.3143
0.74083.756000.65180.3248
0.7134.387000.65870.3178
0.70685.08000.66000.3172
0.69385.629000.65980.3157
0.68096.2510000.65910.3137

Framework versions

  • Transformers 4.35.2
  • Pytorch 2.1.0+cu118
  • Datasets 2.15.0
  • 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
Wav2Vec2ForCTC
Ревизия весов
bca6552

0 моделей