/ Модель

Характеристики

Контекст
1 024 токена
Параметры
29,4 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
outcomes-whisper-tiny-v1
Опубликована
13 авг 2024

outcomes-whisper-tiny-v1.1

Распознавание речи8 профессий

Дообученная компактная модель Whisper для распознавания английской речи и её преобразования в текст.

22скачиваний за 30 дней0лайковвеса обновлены13 авг 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

OutcomesAI-Whisper-tiny-v1.1 — дообученная модель семейства Whisper, разработанная на основе piyushmaharana/outcomes-whisper-tiny-v1 и датасета big-transcript-pronounce. Она предназначена для автоматического распознавания речи и преобразования английской речи в текст. Модель содержит 29,4 млн параметров; веса представлены в формате Safetensors. В README приведены результаты оценки: loss 0,0602 и WER 2,82, однако описание методики оценки и ограничений отсутствует. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибирование английских аудиозаписей
  • распознавание английской речи
  • создание текстовых расшифровок аудио

Ограничения

README не описывает ограничения и детали оценки, поэтому приведённые значения WER и loss нельзя интерпретировать без контекста тестового набора и методики.

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

OutcomesAI-Whisper-tiny-v1.2

This model is a fine-tuned version of piyushmaharana/outcomes-whisper-tiny-v1 on the big-transcript-pronounce dataset. It achieves the following results on the evaluation set:

  • Loss: 0.0602
  • Wer: 2.8200

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: 1e-05
  • train_batch_size: 16
  • 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: 100
  • training_steps: 2000
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWer
0.040112.51000.09985.4230
0.000625.02000.07776.5076
0.000337.53000.07234.1215
0.000250.04000.06913.4707
0.000162.55000.06693.2538
0.000175.06000.06563.0369
0.000187.57000.06463.2538
0.0001100.08000.06353.4707
0.0001112.59000.06283.4707
0.0001125.010000.06243.4707
0.0001137.511000.06193.4707
0.0001150.012000.06142.8200
0.0001162.513000.06133.2538
0.0175.014000.06093.2538
0.0187.515000.06073.2538
0.0200.016000.06063.2538
0.0212.517000.06043.2538
0.0225.018000.06053.4707
0.0237.519000.06033.2538
0.0250.020000.06022.8200

Framework versions

  • Transformers 4.44.0
  • Pytorch 2.4.0+cu121
  • Datasets 2.20.0
  • Tokenizers 0.19.1

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Класс архитектуры
WhisperForConditionalGeneration
Ревизия весов
a806551

0 моделей