/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-xls-r-300m
Опубликована
2 мар 2022

xls-r-uyghur-cv8

Распознавание речиАудио → текст5 профессий

Дообученная XLS-R-300M распознаёт уйгурскую речь в аудио и подходит для черновых субтитров и индексации записей.

50скачиваний за 30 дней14лайковвеса обновлены14 сен 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

Модель XLS-R-300M Uyghur CV8 разработана Lucio и дообучена на базе facebook/wav2vec2-xls-r-300m для распознавания уйгурской речи. Это модель Wav2Vec2ForCTC размером около 402,7 млн параметров, обученная на данных Common Voice 8.0 для уйгурского языка; её словарь использует буквы уйгурского алфавита на персо-арабской графической основе.

Модель преобразует аудиозапись речи в текст и подходит для черновых субтитров к видео и индексирования записанных передач. На тестовой выборке указана WER 0,3248. Apache-2.0 — лицензия модели.

Распознавание недостаточно надёжно для живых субтитров, используемых в целях доступности. При работе с записями следует учитывать приватность говорящих, представленных в Common Voice и других аудиоматериалах.

Сценарии применения

  • черновая расшифровка уйгурских видео
  • индексирование записей радиопередач на уйгурском языке
  • преобразование уйгурской речи в текст
  • создание черновых субтитров для уйгурского аудио

Ограничения

WER на тестовой выборке составляет 0,3248; модель не рекомендуется для надёжных живых субтитров, используемых в целях доступности. Соблюдайте приватность говорящих при обработке аудиозаписей.

Для каких профессий подходит5

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 Uyghur CV8

This model is a fine-tuned version of facebook/wav2vec2-xls-r-300m on the MOZILLA-FOUNDATION/COMMON_VOICE_8_0 - UG dataset. It achieves the following results on the evaluation set:

  • Loss: 0.2026
  • Wer: 0.3248

Model description

For a description of the model architecture, see facebook/wav2vec2-xls-r-300m

The model vocabulary consists of the alphabetic characters of the Perso-Arabic script for the Uyghur language, with punctuation removed.

Intended uses & limitations

This model is expected to be of some utility for low-fidelity use cases such as:

  • Draft video captions
  • Indexing of recorded broadcasts

The model is not reliable enough to use as a substitute for live captions for accessibility purposes, and it should not be used in a manner that would infringe the privacy of any of the contributors to the Common Voice dataset nor any other speakers.

Training and evaluation data

The combination of train and dev of common voice official splits were used as training data. The official test split was used as validation data as well as for final evaluation.

Training procedure

The featurization layers of the XLS-R model are frozen while tuning a final CTC/LM layer on the Uyghur CV8 example sentences. A ramped learning rate is used with an initial warmup phase of 2000 steps, a max of 0.0001, and cooling back towards 0 for the remainder of the 9400 steps (100 epochs).

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0001
  • train_batch_size: 16
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 64
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 2000
  • num_epochs: 100.0
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWer
3.30365.325003.26281.0
2.973410.6310002.56770.9980
1.346615.9515000.44550.6306
1.242421.2820000.36030.5301
1.165526.5925000.31650.4740
1.102631.9130000.29300.4400
1.065537.2335000.26750.4159
1.023942.5540000.25800.3913
0.993847.8745000.23730.3698
0.965553.1950000.23790.3675
0.937458.5155000.24860.3795
0.906563.8360000.22430.3405
0.88869.1565000.21570.3277
0.864674.4770000.21030.3288
0.860279.7875000.20880.3238
0.844285.1180000.20450.3266
0.833590.4285000.20380.3241
0.828895.7490000.20240.3280

Framework versions

  • Transformers 4.17.0.dev0
  • Pytorch 1.10.2+cu102
  • Datasets 1.18.3
  • 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
39a6ef9

0 моделей