/ Модель

Характеристики

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

xls-r-uzbek-cv8

Распознавание речиАудио → текст8 профессий

Дообученная модель Wav2Vec2 распознаёт узбекскую речь и подходит для черновых субтитров и индексации аудиозаписей.

540скачиваний за 30 дней7лайковвеса 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 lucio/xls-r-uzbek-cv8 — система автоматического распознавания узбекской речи, созданная дообучением facebook/wav2vec2-xls-r-300m на узбекской части Mozilla Common Voice 8.0. Она построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров; модель принимает аудио и преобразует речь в текст на современном латинском письме узбекского языка. Декодер использует языковую модель KenLM, построенную на текстах Common Voice.

Модель предназначена для черновых субтитров к видео и индексирования записанных передач. На валидационной выборке указаны WER 0,3852 и CER 0,0777; автор предупреждает, что качество недостаточно для надёжных субтитров в реальном времени, например для обеспечения доступности. Модель выпущена под лицензией Apache-2.0.

Сценарии применения

  • создание черновых субтитров к видео на узбекском языке
  • индексация записей теле- и радиопередач
  • преобразование узбекской речи в текст для последующей обработки

Ограничения

На валидации указаны WER 0,3852 и CER 0,0777; модель предназначена для низкокачественных черновых сценариев и ненадёжна как замена субтитрам реального времени для доступности. Декодерная языковая модель обучена на текстах Common Voice.

Для каких профессий подходит8

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 Uzbek CV8

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

  • Loss: 0.3063
  • Wer: 0.3852
  • Cer: 0.0777

Model description

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

The model vocabulary consists of the Modern Latin alphabet for Uzbek, with punctuation removed. Note that the characters <‘> and <’> do not count as punctuation, as <‘> modifies <o> and <g>, and <’> indicates the glottal stop or a long vowel.

The decoder uses a kenlm language model built on common_voice text.

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 50% of the train common voice official split was used as training data. The 50% of the official dev split was used as validation data, and the full test set was used for final evaluation of the model without LM, while the model with LM was evaluated only on 500 examples from the test set.

The kenlm language model was compiled from the target sentences of the train + other dataset splits.

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 3e-05
  • train_batch_size: 32
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 128
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 500
  • num_epochs: 100.0
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWerCer
3.14013.255003.11461.01.0
2.74846.4910002.28421.00650.7069
1.08999.7415000.54140.61250.1351
0.946512.9920000.45660.56350.1223
0.877116.2325000.42120.53660.1161
0.834619.4830000.39940.51440.1102
0.812722.7335000.38190.49440.1051
0.783325.9740000.37050.47980.1011
0.760329.2245000.36610.47040.0992
0.742432.4750000.35290.45770.0957
0.725135.7155000.34100.44730.0928
0.710638.9660000.34010.44280.0919
0.702742.2165000.33550.43530.0905
0.692745.4570000.33080.42960.0885
0.682848.775000.32460.42040.0863
0.670651.9580000.32500.42330.0868
0.662955.1985000.32640.41590.0849
0.655658.4490000.32130.41000.0835
0.648461.6995000.31820.41240.0837
0.640764.93100000.31710.40500.0825
0.637568.18105000.31500.40390.0822
0.636371.43110000.31290.39910.0810
0.630774.67115000.31140.39860.0807
0.623277.92120000.31030.38950.0790
0.621681.17125000.30860.38910.0790
0.617484.41130000.30820.38810.0785
0.619687.66135000.30590.38750.0782
0.617490.91140000.30840.38620.0780
0.616994.16145000.30700.38600.0779
0.616697.4150000.30660.38550.0778

Framework versions

  • Transformers 4.16.2
  • 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
715a374

0 моделей