/ Модель
Каталог

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
hubert · dense
Базовая модель
hubert-base-ls960
Опубликована
4 апр 2024

Ссылки

Hugging Face

hubert-base-common-voice-vi-demo

ntxcong
Распознавание речиАудио → текст4 профессии

Дообученная HuBERT-модель для распознавания вьетнамской речи и преобразования аудио в текст.

21скачиваний за 30 дней0лайковвеса обновлены5 апр 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.

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

ntxcong/hubert-base-common-voice-vi-demo — модель распознавания речи, дообученная на базе facebook/hubert-base-ls960 на наборе Common Voice 16.1. Она использует архитектуру HuBERT с CTC-декодером и содержит 113,3 млн параметров. Модель предназначена для преобразования речи в текст; в оценке на тестовой выборке указаны loss 0,5121 и WER 0,3678.

Модель принимает аудио и выдаёт текст. По названию репозитория она предназначена для распознавания вьетнамской речи, однако README не раскрывает подробности языкового охвата, условий оценки и рекомендуемых сценариев. Распространяется под лицензией Apache-2.0.

Сценарии применения

  • транскрибирование вьетнамской речи
  • распознавание речи из записей Common Voice
  • преобразование аудиозаписей в текст

Ограничения

На тестовой выборке указана частота ошибок слов (WER) 0,3678; качество на других данных и условиях записи не описано.

Для каких профессий подходит4

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 835моделейI.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953моделиI.7Универсальные способностиРечь, диалоги и встречиAI помогает понимать разговорную речь, поддерживать диалог и превращать встречи в структурированные результаты.17 задач26 923моделиI.6Универсальные способностиПеревод и языковая адаптацияAI помогает переносить смысл между языками, форматами и культурными контекстами.16 задач16 710моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

hubert-base-common-voice-vi-demo

This model is a fine-tuned version of facebook/hubert-base-ls960 on the common_voice_16_1 dataset. It achieves the following results on the evaluation set:

  • Loss: 0.5121
  • Wer: 0.3678

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: 0.0001
  • train_batch_size: 32
  • eval_batch_size: 8
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 1000
  • num_epochs: 30
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWer
8.87311.145003.54771.0
3.33292.2810002.19281.0171
1.46033.4215000.90740.6542
0.94134.5720000.74900.5568
0.76645.7125000.64180.5052
0.67196.8530000.62400.4819
0.62617.9935000.60480.4657
0.57719.1340000.55550.4512
0.52510.2745000.54750.4392
0.494811.4250000.56190.4261
0.458512.5655000.56460.4280
0.458413.760000.53260.4168
0.415714.8465000.51260.4038
0.411315.9870000.52820.4004
0.395517.1275000.53100.3959
0.365818.2680000.49360.3886
0.358419.4185000.54380.3895
0.353620.5590000.51670.3860
0.366521.6995000.51940.3842
0.323122.83100000.52690.3866
0.31523.97105000.52190.3768
0.319125.11110000.50540.3728
0.326426.26115000.50680.3710
0.301427.4120000.50090.3694
0.305528.54125000.50660.3676
0.309829.68130000.51210.3678

Framework versions

  • Transformers 4.39.3
  • Pytorch 2.2.2+cu121
  • Datasets 2.18.0
  • Tokenizers 0.15.2

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
HubertForCTC
Ревизия весов
6d08327

0 моделей

    Создать бенчмарк