/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Опубликована
2 мар 2022

wav2vec2-large-xlsr-300m-nepali

Распознавание речиАудио → текст6 профессий

Дообученная Wav2Vec2 модель для распознавания непальской речи и преобразования её в текст.

105скачиваний за 30 дней3лайкавеса обновлены21 апр 2022

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

prajin/wav2vec2-large-xlsr-300m-nepali — модель автоматического распознавания речи на основе архитектуры Wav2Vec2ForCTC, дообученная разработчиком на базе facebook/wav2vec2-xls-r-300m. Для обучения использовались корпус OpenSLR-54 и дополнительные данные. Модель предназначена для преобразования непальской речи в текст.

В оценке на выделенных 10 000 примерах обучающих данных указана WER 34,26% без языковой модели и 25,02% с 5-граммовой языковой моделью. На OpenSLR-43, который не использовался при обучении, автор сообщает WER 27% и CER 8,3% с 5-граммовой языковой моделью. Модель содержит 402,7 млн параметров и опубликована в формате PyTorch.

Лицензия — Apache-2.0. Карточка не описывает дополнительные ограничения или условия применения.

Сценарии применения

  • расшифровка записей непальской речи
  • транскрибирование аудио на непальском языке
  • распознавание речи в непальских аудиоданных
  • оценка качества ASR для непальского языка

Ограничения

На выделенной части обучающих данных WER составляет 34,26% без языковой модели и 25,02% с 5-граммовой языковой моделью; результаты зависят от условий записи и используемого декодирования. Для OpenSLR-43 указанные WER 27% и CER 8,3% получены с языковой моделью.

Для каких профессий подходит6

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-300m-nepali

This model is a fine-tuned version of facebook/wav2vec2-xls-r-300m

The dataset used to train are :

  1. OpenSLR-54 Corpus
  2. External Data

For evaluation on publicly available datasets, can use OpenSLR-43 corpus - Model is not trained on this data which is also available on HuggingFace as train-set where it achieves 27% WER and 8.3% CER with 5 gram language model.

Script to Evaluate the Model on OpenSLR-43 train set :

python3 eval.py --model_id prajin/wav2vec2-large-xlsr-300m-nepali --dataset openslr --config SLR43  --split train --log_outputs

Below evaluation result is the evaluation on separated 10000 samples from total training dataset.

It achieves the following results on the evaluation set Without using Language Model :

  • Loss: 0.2625
  • Wer: 0.3426

With Language model ( 5 gram )

  • Wer: 0.2502

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: 6e-05
  • train_batch_size: 16
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 32
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 1000
  • num_epochs: 1
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWer
0.34680.044000.26240.3479
0.27920.088000.26960.3490
0.2450.1212000.27510.3502
0.24530.1616000.27540.3523
0.23320.220000.27790.3517
0.23210.2424000.27750.3528
0.27080.2828000.27640.3533
0.27090.3232000.27230.3544
0.27150.3636000.27390.3545
0.27320.440000.27070.3498
0.26430.4444000.26960.3499
0.26820.4748000.26720.3492
0.26870.5152000.26440.3474
0.2690.5556000.26190.3502
0.26750.5960000.26060.3477
0.26560.6364000.25970.3463
0.26670.6768000.26070.3458
0.26390.7172000.26010.3480
0.26310.7576000.25820.3447
0.25890.7980000.25770.3438
0.25540.8384000.25570.3439
0.26870.8788000.25460.3438
0.25740.9192000.25370.3434
0.26230.9596000.25300.3433
0.26750.99100000.25300.3426

Framework versions

  • Transformers 4.16.0.dev0
  • Pytorch 1.10.1+cu102
  • Datasets 1.17.1.dev0
  • Tokenizers 0.11.0

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
fd7bc4c

0 моделей