/ Модель

Характеристики

Параметры
403 млн
Лицензия
CC BY-NC 4.0
Архитектура
wav2vec2 · dense
Опубликована
4 ноя 2022

wav2vec2-large-vi-vlsp2020

Распознавание речиАудио → текст6 профессий

Большая модель wav2vec2 для преобразования вьетнамской речи в текст, дообученная на данных VLSP ASR 2020.

60скачиваний за 30 дней4лайкавеса обновлены21 фев 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

nguyenvulebinh/wav2vec2-large-vi-vlsp2020 — модель распознавания вьетнамской речи на основе архитектуры wav2vec2, разработанная Nguyen Vu Lebinh. Модель с 402,8 млн параметров предварительно обучена на 13 тысячах часов неразмеченной вьетнамской речи с YouTube и дообучена на 250 часах размеченных данных набора VLSP ASR 2020 с частотой дискретизации 16 кГц.

Модель преобразует аудиозаписи на вьетнамском языке в текст и предназначена для автоматического распознавания речи. На тестовом наборе VLSP T1 для большой версии указана частота ошибок слов WER 6,90 без языковой модели и 5,32 с языковой моделью 5-грамм. В репозитории представлены веса PyTorch; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование.

Сценарии применения

  • расшифровка записей речи на вьетнамском языке
  • транскрибация вьетнамских видео и аудио
  • создание субтитров для вьетнамской речи
  • распознавание речи для приложений на вьетнамском языке

Ограничения

Модель ориентирована на вьетнамскую речь с частотой дискретизации 16 кГц; качество вне этого языка и условий не описано. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Для каких профессий подходит6

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

Model description

Our models use wav2vec2 architecture, pre-trained on 13k hours of Vietnamese youtube audio (un-label data) and fine-tuned on 250 hours labeled of VLSP ASR dataset on 16kHz sampled speech audio. You can find more description here

Benchmark WER result on VLSP T1 testset:

base modellarge model
without LM8.666.90
with 5-grams LM6.535.32

Usage

Open In Colab

#pytorch
#!pip install transformers==4.20.0
#!pip install https://github.com/kpu/kenlm/archive/master.zip
#!pip install pyctcdecode==0.4.0
#!pip install huggingface_hub==0.10.0

from transformers.file_utils import cached_path, hf_bucket_url
from importlib.machinery import SourceFileLoader
from transformers import Wav2Vec2ProcessorWithLM
from IPython.lib.display import Audio
import torchaudio
import torch

# Load model & processor
model_name = "nguyenvulebinh/wav2vec2-large-vi-vlsp2020"
model = SourceFileLoader("model", cached_path(hf_bucket_url(model_name,filename="model_handling.py"))).load_module().Wav2Vec2ForCTC.from_pretrained(model_name)
processor = Wav2Vec2ProcessorWithLM.from_pretrained(model_name)

# Load an example audio (16k)
audio, sample_rate = torchaudio.load(cached_path(hf_bucket_url(model_name, filename="t2_0000006682.wav")))
input_data = processor.feature_extractor(audio[0], sampling_rate=16000, return_tensors='pt')

# Infer
output = model(**input_data)

# Output transcript without LM
print(processor.tokenizer.decode(output.logits.argmax(dim=-1)[0].detach().cpu().numpy()))

# Output transcript with LM
print(processor.decode(output.logits.cpu().detach().numpy()[0], beam_width=100).text)

Model Parameters License

The ASR model parameters are made available for non-commercial use only, under the terms of the Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) license. You can find details at: https://creativecommons.org/licenses/by-nc/4.0/legalcode

Contact

nguyenvulebinh@gmail.com

Follow

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
7e9c5f9

0 моделей