Характеристики

Параметры: 403 млн
Архитектура: wav2vec2 · dense

Ссылки

Hugging Face

xls-r-300m-it-cv8

masapasa

Распознавание речиАудио → текст5 профессий

Дообученная на итальянских данных XLS-R модель для преобразования речи в текст.

14скачиваний за 30 дней1лайквеса обновлены2 фев 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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 masapasa/xls-r-300m-it-cv8 — версия wav2vec 2.0 XLS-R, дообученная на базе facebook/wav2vec2-xls-r-300m для автоматического распознавания итальянской речи. Она принимает аудио и выдаёт распознанный текст; модель содержит около 402,8 млн параметров и опубликована в формате PyTorch. Дообучение выполнено на итальянской части набора MOZILLA-FOUNDATION/COMMON_VOICE_8_0 (SV-SE); на оценочной выборке указаны loss 1,0278 и WER 1,0286.

Модель подходит для транскрибации италоязычной речи и интеграции в системы распознавания аудио. Репозиторий распространяется по лицензии Apache-2.0. Применимость показателей качества за пределами указанной оценочной выборки не подтверждена.

Сценарии применения

транскрибация италоязычных аудиозаписей
распознавание речи из записей Common Voice
автоматическое получение текста из итальянского аудио

Ограничения

Указанный WER на оценочной выборке составляет 1,0286, что свидетельствует о низкой точности распознавания в этом тесте. Результаты на других наборах данных и условиях записи не приведены.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.9Универсальные способностиАудио и музыкаAI помогает анализировать, очищать, преобразовывать и создавать звук и музыку.15 задач4 835моделей I.7Универсальные способностиРечь, диалоги и встречиAI помогает понимать разговорную речь, поддерживать диалог и превращать встречи в структурированные результаты.17 задач26 923модели I.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953модели II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Также подходит для

I.6Перевод и языковая адаптация

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

language:

it license: apache-2.0 tags:
robust-speech-event
automatic-speech-recognition
mozilla-foundation/common_voice_8_0
generated_from_trainer datasets:
common_voice This model is a fine-tuned version of facebook/wav2vec2-xls-r-300m on the MOZILLA-FOUNDATION/COMMON_VOICE_8_0 - SV-SE dataset. It achieves the following results on the evaluation set:
Loss: 1.0278
Wer: 1.0286

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: 8
eval_batch_size: 8
seed: 42
gradient_accumulation_steps: 4
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: 20
num_epochs: 5.0
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Wer
10.7838	0.01	5	14.5035	1.0
13.0582	0.03	10	13.6658	1.0
7.3034	0.04	15	9.7898	1.0
6.1847	0.05	20	6.9148	1.0
5.3371	0.07	25	5.3661	1.0
4.4274	0.08	30	4.6945	1.0
4.0918	0.1	35	4.3172	1.0
4.1734	0.11	40	4.0759	1.0
3.7332	0.12	45	3.9039	1.0
3.6871	0.14	50	3.7777	1.0
3.4428	0.15	55	3.6718	1.0
3.5514	0.16	60	3.5947	1.0
3.4307	0.18	65	3.5144	1.0
3.4102	0.19	70	3.4432	1.0
3.4964	0.21	75	3.3890	1.0
3.3936	0.22	80	3.3467	1.0
3.3051	0.23	85	3.3102	1.0
3.278	0.25	90	3.2801	1.0
3.2223	0.26	95	3.2440	1.0
3.1888	0.27	100	3.2900	1.0
3.218	0.29	105	3.2627	1.0
3.1308	0.3	110	3.2152	1.0
3.109	0.31	115	3.1686	1.0
3.1188	0.33	120	3.1734	1.0
3.1132	0.34	125	3.1431	1.0
3.0667	0.36	130	3.1686	1.0
3.1167	0.37	135	3.1885	1.0
3.0592	0.38	140	3.1100	1.0
3.0531	0.4	145	3.1149	1.0
3.1224	0.41	150	3.1205	1.0
3.0651	0.42	155	3.1101	1.0
3.0077	0.44	160	3.0980	1.0
3.0027	0.45	165	3.1132	1.0
3.0423	0.47	170	3.0886	1.0
3.0462	0.48	175	3.0865	1.0
3.0701	0.49	180	3.0863	1.0
3.0871	0.51	185	3.0825	1.0
3.0585	0.52	190	3.0720	1.0
3.0274	0.53	195	3.0736	1.0
3.0983	0.55	200	3.0658	1.0
3.0538	0.56	205	3.1241	1.0
3.0862	0.57	210	3.0573	1.0
3.0041	0.59	215	3.0608	1.0
3.027	0.6	220	3.0614	1.0
2.9916	0.62	225	3.0527	1.0
3.0157	0.63	230	3.0514	1.0
3.0429	0.64	235	3.0391	1.0
2.999	0.66	240	3.0462	1.0
3.0053	0.67	245	3.0438	1.0
2.9812	0.68	250	3.0447	1.0
3.0062	0.7	255	3.0660	1.0
3.0045	0.71	260	3.0103	1.0
2.9684	0.73	265	3.0106	1.0
2.9885	0.74	270	3.0014	1.0
3.0062	0.75	275	2.9885	1.0
2.9736	0.77	280	3.0330	1.0
2.9766	0.78	285	2.9910	1.0
2.9545	0.79	290	2.9972	1.0
2.9936	0.81	295	2.9872	1.0
3.0832	0.82	300	2.9978	1.0
2.974	0.83	305	2.9978	1.0
2.9846	0.85	310	2.9849	1.0
2.9554	0.86	315	2.9810	1.0
2.9524	0.88	320	2.9731	1.0
2.9426	0.89	325	2.9824	1.0
2.9416	0.9	330	2.9731	1.0
2.9705	0.92	335	2.9830	1.0
2.9502	0.93	340	2.9713	1.0
2.9393	0.94	345	2.9790	1.0
2.9336	0.96	350	2.9684	1.0
2.9542	0.97	355	2.9689	1.0
2.9408	0.98	360	2.9556	1.0
2.9544	1.0	365	2.9563	1.0
2.9187	1.01	370	2.9624	1.0
2.9935	1.03	375	2.9500	1.0
2.9803	1.04	380	2.9558	1.0
2.9867	1.05	385	2.9473	1.0
2.8925	1.07	390	2.9444	1.0
2.9633	1.08	395	2.9490	1.0
2.9191	1.1	400	2.9362	1.0
2.9081	1.11	405	2.9394	1.0
2.9381	1.12	410	2.9846	1.0
2.9271	1.14	415	2.9638	1.0
2.959	1.15	420	2.9835	1.0
2.9486	1.16	425	2.9361	1.0
2.9246	1.18	430	2.9615	1.0
2.923	1.19	435	2.9313	1.0
2.8908	1.21	440	2.9362	1.0
2.8976	1.22	445	2.9224	1.0
2.9278	1.23	450	2.9276	1.0
2.8429	1.25	455	2.9299	1.0
2.867	1.26	460	2.9258	1.0
2.9734	1.27	465	2.9281	1.0000
2.934	1.29	470	2.9229	1.0
2.9521	1.3	475	2.9134	1.0
2.9098	1.31	480	2.9051	0.9993
2.9112	1.33	485	2.9028	0.9999
2.8799	1.34	490	2.9101	0.9986
2.857	1.36	495	2.9005	0.9992
2.8525	1.37	500	2.8937	1.0
2.8682	1.38	505	2.8904	1.0000
2.8899	1.4	510	2.8914	0.9964
2.7475	1.41	515	2.8842	0.9950
2.9263	1.42	520	2.8852	0.9972
2.8603	1.44	525	2.8762	0.9966
2.864	1.45	530	2.8680	0.9978
2.8632	1.47	535	2.8602	0.9964
2.9289	1.48	540	2.8584	0.9952
2.8689	1.49	545	2.8587	0.9956
2.8304	1.51	550	2.8511	0.9993
2.8024	1.52	555	2.8460	1.0
2.7649	1.53	560	2.8460	1.0000
2.8756	1.55	565	2.8348	0.9987
2.8808	1.56	570	2.8539	0.9993
2.9027	1.57	575	2.8282	0.9975
2.8586	1.59	580	2.8288	0.9976
2.8193	1.6	585	2.8101	1.0051
2.811	1.62	590	2.7965	1.0014
2.7332	1.63	595	2.7884	1.0026
2.7717	1.64	600	2.7883	1.0060
2.6901	1.66	605	2.7801	0.9974
2.6905	1.67	610	2.8113	0.9968
2.7442	1.68	615	2.8113	1.0007
2.8431	1.7	620	2.8152	1.0343
2.8028	1.71	625	2.7790	1.0250
2.7151	1.73	630	2.7653	1.0287
2.7405	1.74	635	2.7714	1.1303
2.7566	1.75	640	2.7488	1.0312
2.7337	1.77	645	2.7498	1.0176
2.7486	1.78	650	2.7496	1.0760
2.6918	1.79	655	2.7391	1.0353
2.7142	1.81	660	2.7500	1.0283
2.7057	1.82	665	2.7612	1.0127
2.8348	1.83	670	2.7441	1.0056
2.705	1.85	675	2.7473	1.0519
2.7547	1.86	680	2.7216	1.0218
2.7045	1.88	685	2.7261	1.1414
2.7121	1.89	690	2.7223	1.0287
2.6877	1.9	695	2.7283	1.0274
2.6879	1.92	700	2.7451	1.1322
2.6958	1.93	705	2.7166	1.0364
2.6692	1.94	710	2.7148	1.0074
2.5786	1.96	715	2.7101	1.0504
2.6919	1.97	720	2.6963	1.0454
2.7256	1.98	725	2.7201	1.0349
2.6507	2.0	730	2.7099	1.1339
2.7833	2.01	735	2.7111	1.0124
2.7521	2.03	740	2.7024	1.0275
2.6732	2.04	745	2.7058	1.0647
2.719	2.05	750	2.7200	1.0211
2.701	2.07	755	2.7024	1.0808
2.6444	2.08	760	2.6813	1.0582
2.5592	2.1	765	2.6783	1.1010
2.6444	2.11	770	2.6707	1.0946
2.6944	2.12	775	2.7012	1.1315
2.6733	2.14	780	2.7072	1.1144
2.6998	2.15	785	2.7132	1.0206
2.796	2.16	790	2.7076	1.1262
2.6881	2.18	795	2.6953	1.0841
2.7382	2.19	800	2.6605	1.1234
2.5814	2.21	805	2.6814	1.1865
2.6695	2.22	810	2.6531	1.0985
2.6415	2.23	815	2.6590	1.0804
2.646	2.25	820	2.6514	1.0853
2.6028	2.26	825	2.6723	1.1411
2.6429	2.27	830	2.6729	1.0395
2.6736	2.29	835	2.7039	1.0355
2.6959	2.3	840	2.6510	1.0414
2.6426	2.31	845	2.6660	1.1591
2.7152	2.33	850	2.6361	1.0276
2.7148	2.34	855	2.6723	1.2461
2.6336	2.36	860	2.6332	1.0310
2.665	2.37	865	2.6365	1.1312
2.5607	2.38	870	2.6344	1.1301
2.5614	2.4	875	2.6437	1.1513
2.4899	2.41	880	2.6418	1.1532
2.6794	2.42	885	2.6403	1.0272
2.6814	2.44	890	2.6420	1.1323
2.6614	2.45	895	2.6183	1.0525
2.6629	2.47	900	2.6414	1.1569
2.6166	2.48	905	2.6167	1.0265
2.6374	2.49	910	2.6299	1.1720
2.6035	2.51	915	2.6139	1.1565
2.595	2.52	920	2.6126	1.0557
2.6416	2.53	925	2.6190	1.0414
2.6785	2.55	930	2.6352	1.0289
2.6986	2.56	935	2.6268	1.0077
2.6145	2.57	940	2.6166	1.0445
2.6961	2.59	945	2.6142	1.0185
2.6852	2.6	950	2.6072	1.0122
2.5792	2.62	955	2.6078	1.1165
2.6118	2.63	960	2.6177	1.1210
2.5472	2.64	965	2.6126	1.0044
2.577	2.66	970	2.6051	1.0881
2.5602	2.67	975	2.5992	1.0178
2.695	2.68	980	2.6023	1.0248
2.7017	2.7	985	2.6190	1.0041
2.6327	2.71	990	2.6024	1.0142
2.6193	2.73	995	2.5897	1.0148
2.5939	2.74	1000	2.5900	1.0329
2.5477	2.75	1005	2.5971	1.0338
2.6089	2.77	1010	2.5969	1.0064
2.5625	2.78	1015	2.5899	1.0648
2.5745	2.79	1020	2.5861	1.0627
2.5702	2.81	1025	2.5923	1.0526
2.645	2.82	1030	2.6053	1.0199
2.6869	2.83	1035	2.6227	1.0011
2.6678	2.85	1040	2.6094	1.0179
2.6787	2.86	1045	2.5978	1.0028
2.6246	2.88	1050	2.5965	1.0093
2.5676	2.89	1055	2.5927	1.0627
2.6773	2.9	1060	2.5907	1.0817
2.6114	2.92	1065	2.5932	1.1013
2.6227	2.93	1070	2.5840	1.0402
2.594	2.94	1075	2.5997	1.1371
2.751	2.96	1080	2.5909	1.0972
2.6366	2.97	1085	2.6081	1.0598
2.577	2.98	1090	2.5915	1.0410
2.579	3.0	1095	2.5953	1.1433
2.6706	3.01	1100	2.5913	1.0456
2.6161	3.03	1105	2.6079	1.1009
2.6397	3.04	1110	2.5951	1.1771
2.6246	3.05	1115	2.5730	1.0299
2.5637	3.07	1120	2.5622	1.0848
2.5692	3.08	1125	2.5561	1.1472
2.5948	3.1	1130	2.5568	1.0802
2.5372	3.11	1135	2.5638	1.1261
2.4995	3.12	1140	2.5727	1.1395
2.6304	3.14	1145	2.5671	1.0259
2.6395	3.15	1150	2.5778	1.0212
2.6127	3.16	1155	2.5609	1.0457
2.5919	3.18	1160	2.5604	1.0902
2.6111	3.19	1165	2.5463	1.0014
2.5971	3.21	1170	2.5429	1.0022
2.5887	3.22	1175	2.5394	1.0412
2.5644	3.23	1180	2.5342	1.0469
2.4805	3.25	1185	2.6066	1.2668
2.5324	3.26	1190	2.5395	1.0234
2.5491	3.27	1195	2.5431	1.0644
2.6302	3.29	1200	2.5558	1.0680
2.6139	3.3	1205	2.5711	1.0565
2.5607	3.31	1210	2.5635	1.0415
2.6535	3.33	1215	2.5505	1.0613
2.6129	3.34	1220	2.5403	1.0724
2.5157	3.36	1225	2.5294	1.0585
2.551	3.37	1230	2.5242	1.1599
2.5527	3.38	1235	2.5474	1.2327
2.4964	3.4	1240	2.5244	1.0857
2.5781	3.41	1245	2.5299	1.0470
2.6143	3.42	1250	2.5313	1.0019
2.6566	3.44	1255	2.5431	1.0488
2.5373	3.45	1260	2.5281	1.0901
2.6597	3.47	1265	2.5300	1.0610
2.5457	3.48	1270	2.5130	1.0420
2.5632	3.49	1275	2.5306	1.1418
2.5267	3.51	1280	2.5021	1.0293
2.507	3.52	1285	2.5013	1.0196
2.5713	3.53	1290	2.4978	1.0664
2.4783	3.55	1295	2.4958	1.0530
2.5874	3.56	1300	2.4968	1.0059
2.5744	3.57	1305	2.5078	1.0287
2.5701	3.59	1310	2.4971	1.0366
2.5366	3.6	1315	2.4897	1.0191
2.5679	3.62	1320	2.4830	1.0223
2.5239	3.63	1325	2.4833	1.0784
2.5411	3.64	1330	2.4851	1.1522
2.5037	3.66	1335	2.4792	1.0928
2.5907	3.67	1340	2.4750	1.0187
2.5107	3.68	1345	2.4805	1.0873
2.5908	3.7	1350	2.4753	1.0098
2.6274	3.71	1355	2.4765	1.0045
2.5708	3.73	1360	2.4597	1.0456
2.6039	3.74	1365	2.4503	1.0485
2.5305	3.75	1370	2.4439	1.0126
2.4878	3.77	1375	2.4407	1.0162
2.5055	3.78	1380	2.4421	1.0605
2.5249	3.79	1385	2.4499	1.1163
2.5508	3.81	1390	2.4654	1.1472
2.5827	3.82	1395	2.4510	1.0561
2.6148	3.83	1400	2.4496	0.9998
2.5763	3.85	1405	2.4417	1.0067
2.6077	3.86	1410	2.4458	1.0682
2.5388	3.88	1415	2.4352	1.0820
2.5235	3.89	1420	2.4277	1.0784
2.4996	3.9	1425	2.4245	1.0671
2.5601	3.92	1430	2.4202	1.0650
2.5805	3.93	1435	2.4199	1.0530
2.5841	3.94	1440	2.4228	1.0797
2.4877	3.96	1445	2.4284	1.1159
2.5542	3.97	1450	2.4190	1.0575
2.5961	3.98	1455	2.4162	1.0676
2.495	4.0	1460	2.4165	1.0821
2.6157	4.01	1465	2.4119	1.0117
2.5415	4.03	1470	2.4089	1.0110
2.4916	4.04	1475	2.4032	1.0498
2.5445	4.05	1480	2.3997	1.0429
2.4941	4.07	1485	2.4008	1.0141
2.5113	4.08	1490	2.3975	1.0357
2.4707	4.1	1495	2.3938	1.0288
2.4952	4.11	1500	2.3910	1.0300
2.5017	4.12	1505	2.3861	1.0813
2.5566	4.14	1510	2.3919	1.1082
2.5754	4.15	1515	2.3947	1.0074
2.6138	4.16	1520	2.4040	0.9989
2.5024	4.18	1525	2.3949	1.0039
2.5136	4.19	1530	2.3993	1.0496
2.5646	4.21	1535	2.3981	1.0729
2.4556	4.22	1540	2.3952	1.0494
2.5774	4.23	1545	2.3924	1.0345
2.5126	4.25	1550	2.3888	1.0306
2.4596	4.26	1555	2.3960	1.0775
2.521	4.27	1560	2.3978	1.1025
2.6304	4.29	1565	2.3885	1.0433
2.543	4.3	1570	2.3849	1.0072
2.5601	4.31	1575	2.3855	1.0110
2.6304	4.33	1580	2.3878	1.0369
2.4121	4.34	1585	2.3783	1.0366
2.4261	4.36	1590	2.3746	1.0307
2.5038	4.37	1595	2.3789	1.0611
2.5391	4.38	1600	2.3849	1.0738
2.4341	4.4	1605	2.3779	1.0573
2.5306	4.41	1610	2.3751	1.0460
2.5818	4.42	1615	2.3743	1.0251
2.5531	4.44	1620	2.3723	1.0209
2.51	4.45	1625	2.3755	1.0316
2.5788	4.47	1630	2.3725	1.0396
2.5701	4.48	1635	2.3663	1.0292
2.4194	4.49	1640	2.3641	1.0261
2.5439	4.51	1645	2.3629	1.0376
2.4527	4.52	1650	2.3629	1.0563
2.5705	4.53	1655	2.3654	1.0766
2.4552	4.55	1660	2.3708	1.0802
2.5657	4.56	1665	2.3638	1.0248
2.5371	4.57	1670	2.3639	1.0053
2.5365	4.59	1675	2.3626	1.0072
2.5383	4.6	1680	2.3584	1.0170
2.546	4.62	1685	2.3574	1.0469
2.6006	4.63	1690	2.3517	1.0509
2.4894	4.64	1695	2.3489	1.0452
2.4732	4.66	1700	2.3489	1.0586
2.4933	4.67	1705	2.3501	1.0694
2.4784	4.68	1710	2.3472	1.0647
2.5349	4.7	1715	2.3419	1.0299
2.553	4.71	1720	2.3420	1.0115
2.5035	4.73	1725	2.3415	1.0117
2.561	4.74	1730	2.3418	1.0242
2.4773	4.75	1735	2.3420	1.0325
2.4691	4.77	1740	2.3422	1.0394
2.4959	4.78	1745	2.3405	1.0418
2.4928	4.79	1750	2.3394	1.0449
2.5058	4.81	1755	2.3392	1.0489
2.5193	4.82	1760	2.3390	1.0506
2.5369	4.83	1765	2.3392	1.0384
2.4843	4.85	1770	2.3398	1.0236
2.5074	4.86	1775	2.3400	1.0150
2.4941	4.88	1780	2.3386	1.0150
2.4352	4.89	1785	2.3370	1.0172
2.4372	4.9	1790	2.3362	1.0208
2.4855	4.92	1795	2.3358	1.0238
2.4516	4.93	1800	2.3355	1.0276
2.5281	4.94	1805	2.3356	1.0312
2.5519	4.96	1810	2.3352	1.0318
2.4641	4.97	1815	2.3349	1.0294
2.4515	4.98	1820	2.3348	1.0284
2.553	5.0	1825	2.3347	1.0286

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: 7b5dfc8

Характеристики

Ссылки

xls-r-300m-it-cv8

Бенчмарки

Тесты пользователейпока нет

Добавьте модель в бенчмарк

Опишите свои задачи

Запустите и опубликуйте

Публичные оценки

Что умеет модель

Сценарии применения

Ограничения

Для каких профессий подходит5

Также подходит для

Карточка модели

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

Как запустить