/ Модель

Характеристики

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

wav2vec2-xls-r-300m-ja-phoneme_cv_14_4

Распознавание речиАудио → текст

Дообученная wav2vec2-XLS-R-300M модель для автоматического распознавания речи, связанная с японскими фонемами.

5скачиваний за 30 дней0лайковвеса обновлены9 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.

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

Модель pinot/wav2vec2-xls-r-300m-ja-phoneme_cv_14_4 — дообученная на датасете audiofolder модель Facebook wav2vec2-XLS-R-300M для автоматического распознавания речи. Она принимает аудио и выдаёт текст; архитектура использует Wav2Vec2ForCTC, число параметров — около 402,7 млн. В README приведены результаты оценки: loss 0,3806 и WER 0,0875.

Модель подходит для распознавания речи в сценариях, соответствующих обучающим данным; название указывает на японские фонемы, но README не уточняет состав данных и целевую систему транскрипции. Базовая модель мультиязычная и предназначена для дообучения задачам обработки речи. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибирование аудиозаписей на японском языке
  • распознавание японской речи в аудиоданных
  • оценка качества распознавания речи на тестовом наборе

Ограничения

README не описывает обучающие данные, целевую транскрипцию и ограничения применения. Приведённый WER относится только к указанному evaluation set и не гарантирует качество на других данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

wav2vec2-xls-r-300m-ja-phoneme_cv_14_4

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: 0.3806
  • Wer: 0.0875

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
5.87390.14002.87601.0
1.86580.28000.78740.1632
0.74640.2912000.59340.1300
0.60310.3916000.50220.1131
0.53130.4920000.47300.1053
0.49730.5924000.45710.1012
0.46860.6928000.41560.0962
0.43150.7932000.39260.0916
0.41920.8836000.38650.0886
0.40550.9840000.38060.0875

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
05c94ba

0 моделей