/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense

wav2vec2-large-xlsr-53-spanish-with-lm

Распознавание речиАудио → текст8 профессий

Модель распознаёт испанскую речь в аудио и преобразует её в текст с декодированием на основе языковой модели.

1 069скачиваний за 30 дней8лайковвеса обновлены10 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.

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

Это модель автоматического распознавания испанской речи на базе Wav2Vec2-Large-XLSR-53 с поддержкой языковой модели. Её подготовил Patrick von Platen как демонстрацию интеграции pyctcdecode с Transformers; в README описана замена стандартного Wav2Vec2Processor на Wav2Vec2WithLMProcessor.

Модель предназначена для преобразования аудиозаписей на испанском языке в текст. В сравнении на 512 образцах тестовой части Spanish Common Voice она показала WER 8,44% и CER 2,93%, против 10,20% и 3,24% у указанной базовой модели без языковой модели. Доступны веса PyTorch, TensorFlow и Flax; размер модели — около 402,7 млн параметров.

Репозиторий распространяется по лицензии Apache-2.0. Результаты оценки относятся к указанной выборке Common Voice; качество на других типах речи и в иных акустических условиях в карточке не измеряется.

Сценарии применения

  • транскрибация испанских аудиозаписей
  • распознавание испанской речи из Common Voice
  • получение текста из испанских речевых фрагментов

Ограничения

Оценка приведена только для 512 образцов тестовой части Spanish Common Voice, поэтому результаты не гарантируют такое же качество на других данных и в иных акустических условиях.

Для каких профессий подходит8

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

Wav2Vec2-Large-XLSR-53-Spanish-With-LM

This is a model copy of Wav2Vec2-Large-XLSR-53-Spanish that has language model support.

This model card can be seen as a demo for the pyctcdecode integration with Transformers led by this PR. The PR explains in-detail how the integration works.

In a nutshell: This PR adds a new Wav2Vec2WithLMProcessor class as drop-in replacement for Wav2Vec2Processor.

The only change from the existing ASR pipeline will be:

Changes

import torch
from datasets import load_dataset
from transformers import AutoModelForCTC, AutoProcessor
import torchaudio.functional as F


model_id = "patrickvonplaten/wav2vec2-large-xlsr-53-spanish-with-lm"

sample = next(iter(load_dataset("common_voice", "es", split="test", streaming=True)))
resampled_audio = F.resample(torch.tensor(sample["audio"]["array"]), 48_000, 16_000).numpy()

model = AutoModelForCTC.from_pretrained(model_id)
processor = AutoProcessor.from_pretrained(model_id)

input_values = processor(resampled_audio, return_tensors="pt").input_values

with torch.no_grad():
    logits = model(input_values).logits

-prediction_ids = torch.argmax(logits, dim=-1)
-transcription = processor.batch_decode(prediction_ids)
+transcription = processor.batch_decode(logits.numpy()).text
# => 'bien y qué regalo vas a abrir primero'

Improvement

This model has been compared on 512 speech samples from the Spanish Common Voice Test set and gives a nice 20 % performance boost:

The results can be reproduced by running from this model repository:

ModelWERCER
patrickvonplaten/wav2vec2-large-xlsr-53-spanish-with-lm8.44%2.93%
jonatasgrosman/wav2vec2-large-xlsr-53-spanish10.20%3.24%
bash run_ngram_wav2vec2.py 1 512
bash run_ngram_wav2vec2.py 0 512

with run_ngram_wav2vec2.py being https://huggingface.co/patrickvonplaten/wav2vec2-large-xlsr-53-spanish-with-lm/blob/main/run_ngram_wav2vec2.py

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
5569ff8

0 моделей