/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Библиотека
transformers
Опубликована
9 янв 2024

wav2vec2-large-xlsr-53-l2-arctic-phoneme

Распознавание речиАудио → текст3 профессии

Модель Wav2Vec2, дообученная для преобразования английской речи в фонетическую транскрипцию IPA.

1 628скачиваний за 30 дней7лайковвеса обновлены29 ноя 2024

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 mrrubino/wav2vec2-large-xlsr-53-l2-arctic-phoneme — акустическая модель на архитектуре Wav2Vec2-Large-XLSR-53 с 402,7 млн параметров, дообученная на вручную размеченной части набора CMU L2-Arctic. Она предназначена для автоматической фонетической транскрипции речи в международном фонетическом алфавите (IPA), в том числе речи изучающих английский язык. Принимает аудио WAV с частотой дискретизации 16 кГц и выдаёт текстовую фонетическую транскрипцию. В тестовом разбиении L2-Arctic указаны WER 0,425 и CER 0,128; эти результаты относятся к данному набору данных и не гарантируют качество на других типах речи.

Модель реализована как Wav2Vec2ForCTC и используется через Transformers. В метаданных указан английский язык и лицензия Apache-2.0.

Сценарии применения

  • фонетическая транскрипция английской речи в IPA
  • анализ произношения изучающих английский язык
  • получение фонетических расшифровок аудиозаписей WAV

Ограничения

Для входного WAV требуется частота дискретизации 16 кГц. На тестовом разбиении L2-Arctic модель показала WER 0,425 и CER 0,128; качество на других данных не приведено.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model

This model is Wav2Vec2-Large-XLSR-53 fine-tuned on the manually annotated subset of CMU's L2-Arctic dataset. It was fine-tuned to perform automatic phonetic transcriptions in IPA. It was tuned following a similar procedure as described by vitouphy with the TIMIT dataset.

Usage

To use the model, create a pipeline and invoke it with the path to your WAV, which must be sampled at 16KHz.

from transformers import pipeline

pipe = pipeline(model="mrrubino/wav2vec2-large-xlsr-53-l2-arctic-phoneme")
transcription = pipe("file.wav")["text"]

Results

The manually annotated subset of L2-Arctic was divided into training and testing datasets with a 90/10 split. The performance metrics for the testing dataset are included below.

WER - 0.425

CER - 0.128

Citation

If you find our model helpful, please feel free to cite us.

@article{Bo_Rubino_Xu_2024,
  title={A Mispronunciation-Based Voice-Omics Representation Framework for Screening Specific Language Impairments in Children},
  DOI={10.1109/ichi61247.2024.00045},
  journal={2024 IEEE 12th International Conference on Healthcare Informatics (ICHI)},
  author={Bo, Wei and Rubino, Matthew and Xu, Wenyao},
  year={2024},
  month={Jun},
  pages={294–304}
} 

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
2f35202

0 моделей