/ Модель
Каталог

Характеристики

Контекст
1 024 токена
Архитектура
speech-encoder-decoder · dense

Ссылки

Hugging Face

wav2vec2-2-bart-base

patrickvonplaten
Распознавание речиАудио → текст4 профессии

Дообученная модель на базе wav2vec2 и BART для преобразования чистой речи из аудио в текст.

318скачиваний за 30 дней5лайковвеса обновлены29 дек 2021

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

patrickvonplaten/wav2vec2-2-bart-base — модель распознавания речи, созданная Патриком фон Платеном как дообученная комбинация facebook/wav2vec2-base и bart-base. Она принимает аудио и преобразует речь в текст; модель обучалась на чистой части набора LibriSpeech ASR и предназначена для автоматического распознавания речи. В карточке приведён результат на оценочной выборке: WER 0,0728 и loss 0,405.

Архитектура — speech encoder-decoder на основе SpeechEncoderDecoderModel; файлы представлены в формате PyTorch. Сведения о поддерживаемых языках, контексте и лицензии в доступных данных отсутствуют. Практическое применение следует оценивать с учётом обучения на чистой английской речи из LibriSpeech: качество на шумных записях, других языках и предметных аудио не установлено.

Сценарии применения

  • транскрибация чистых аудиозаписей на английском языке
  • распознавание речи на записях для исследовательских экспериментов
  • оценка качества систем автоматического распознавания речи на LibriSpeech

Ограничения

Обучение проводилось на чистой части LibriSpeech ASR, поэтому качество на шумной речи, других языках и предметной лексике не подтверждено. Лицензия в доступных данных не указана.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.7Универсальные способностиРечь, диалоги и встречиAI помогает понимать разговорную речь, поддерживать диалог и превращать встречи в структурированные результаты.17 задач26 923моделиII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделейI.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 953модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

To rerun this experiment, please clone this directory and run:

python create_model.py

followed by

./run_librispeech.sh

wav2vec2-2-bart-base

This model is a fine-tuned version of facebook/wav2vec2-base and bart-base on the librispeech_asr - clean dataset.

It achieves the following results on the evaluation set:

  • Loss: 0.405
  • Wer: 0.0728

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: 0.0003
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • distributed_type: multi-GPU
  • num_devices: 8
  • total_train_batch_size: 64
  • total_eval_batch_size: 64
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 400
  • num_epochs: 5
  • mixed_precision_training: Native AMP

Training results

See Training Metrics Tab.

Framework versions

  • Transformers 4.15.0.dev0
  • Pytorch 1.9.0+cu111
  • Datasets 1.16.2.dev0
  • Tokenizers 0.10.3

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
SpeechEncoderDecoderModel
Ревизия весов
109c616

0 моделей

    Создать бенчмарк