/ Модель
Каталог

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-xls-r-300m
Опубликована
8 окт 2023

Ссылки

Hugging Face

wav2vec2-xls-r-300m-ja-phoneme_cv_14_3

pinot
Распознавание речиАудио → текст

Дообученная wav2vec2-XLS-R-300M для распознавания японской речи с фонетической транскрипцией.

6скачиваний за 30 дней0лайковвеса обновлены8 окт 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.

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

Это модель автоматического распознавания речи на базе wav2vec2-XLS-R-300M, дообученная автором pinot на датасете audiofolder. Архитектура Wav2Vec2ForCTC содержит около 402,7 млн параметров и принимает аудио, преобразуя речь в текст. По названию модель ориентирована на японскую фонетическую транскрипцию; README не уточняет состав данных и правила записи фонем.

В карточке приведены результаты на тестовой выборке: loss 0,7558 и WER 0,1461. Модель может быть полезна для экспериментального распознавания японской речи с фонетической разметкой. Базовая модель мультиязычная, но поддержка других языков этой конкретной версией не подтверждена. Лицензия — Apache-2.0.

Сценарии применения

  • фонетическая транскрипция японской речи
  • распознавание японской речи в аудиозаписях
  • оценка распознавания японской речи по WER

Ограничения

README не описывает ограничения и детали обучающих данных; приведённый WER 0,1461 относится только к указанной оценочной выборке. Поддержка языков помимо японского не подтверждена.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

wav2vec2-xls-r-300m-ja-phoneme_cv_14_3

This model is a fine-tuned version of facebook/wav2vec2-xls-r-300m on the audiofolder dataset. It achieves the following results on the evaluation set:

  • Loss: 0.7558
  • Wer: 0.1461

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: 2
  • eval_batch_size: 1
  • seed: 42
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 8
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 500
  • num_epochs: 1

Training results

Training LossEpochStepValidation LossWer
5.29090.444002.88881.0
1.73690.888000.75580.1461

Framework versions

  • Transformers 4.31.0
  • Pytorch 2.0.1+cu117
  • Datasets 2.14.3
  • Tokenizers 0.13.3

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
5bb2c60

0 моделей

    Создать бенчмарк