/ Модель

Характеристики

Параметры
403 млн
Лицензия
CC0 1.0
Архитектура
wav2vec2 · dense
Опубликована
2 мар 2022

xls-r-300m-sv-robust

Распознавание речиАудио → текст5 профессий

Дообученная wav2vec2-модель для распознавания шведской речи и преобразования её в текст.

94скачиваний за 30 дней1лайквеса обновлены18 авг 2022

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

marinone94/xls-r-300m-sv-robust — дообученная модель распознавания речи на базе KBLab/wav2vec2-large-voxrex. Она использует архитектуру wav2vec2 с выходной CTC-головой и предназначена для преобразования шведской речи в текст, в том числе на материале датасета Common Voice 9.0 для шведского языка. В README указаны результаты на тестовой выборке без языковой модели: WER 0,1121 и loss 0,1318.

Модель принимает аудио и выдаёт текст. Репозиторий содержит веса PyTorch, а лицензия указана как CC0 1.0. Оценка приведена только для тестовой выборки Common Voice; сведений о качестве на других типах аудио в карточке нет.

Сценарии применения

  • транскрибация шведской речи из записей
  • распознавание шведских высказываний из Common Voice
  • создание текстовых расшифровок шведского аудио

Ограничения

В README нет описания ограничений или intended uses. Приведённый WER измерен на тестовой выборке Common Voice 9.0 без языковой модели и не подтверждает качество на других источниках аудио.

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

This model is a fine-tuned version of KBLab/wav2vec2-large-voxrex on the MOZILLA-FOUNDATION/COMMON_VOICE_9_0 - SV-SE dataset. It achieves the following results on the evaluation set ("test" split, without LM):

  • Loss: 0.1318
  • Wer: 0.1121

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: 7.5e-05
  • train_batch_size: 32
  • eval_batch_size: 32
  • 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_ratio: 0.2
  • num_epochs: 100.0
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWer
2.909910.4210002.83691.0
1.074520.8320000.19570.1673
0.93431.2530000.15790.1389
0.869141.6640000.14570.1290
0.832852.0850000.14350.1205
0.806862.560000.13500.1191
0.782272.9170000.13470.1155
0.776983.3380000.13210.1131
0.767893.7590000.13210.1115

Framework versions

  • Transformers 4.17.0.dev0
  • Pytorch 1.10.2+cu102
  • Datasets 2.2.2
  • 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
ce64b72

0 моделей