/ Модель

Характеристики

Параметры
116 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
japanese-wav2vec2-base
Библиотека
transformers
Опубликована
8 авг 2024

japanese-wav2vec2-base-rs35kh

Распознавание речиАудио → текст5 профессий

Модель Wav2Vec 2.0 Base, дообученная для распознавания японской речи и её преобразования в текст.

4 803скачиваний за 30 дней3лайкавеса обновлены23 ноя 2024

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 reazon-research/japanese-wav2vec2-base-rs35kh разработана Reazon Research и представляет собой Wav2Vec 2.0 Base, дообученную для автоматического распознавания японской речи на корпусе ReazonSpeech v2.0. Она принимает аудио и преобразует речь в текст; модель опубликована для использования через библиотеку Transformers.

В карточке приведены результаты по Character Error Rate на нескольких японских наборах данных. Средний CER составил 20,40%; на JSUT-BOOK для длинной речи CER составил 82,84%, что указывает на существенное ограничение при транскрибировании длинных записей. В метаданных указано 115,6 млн параметров и лицензия Apache-2.0.

Сценарии применения

  • транскрибирование японской речи в текст
  • распознавание японских аудиозаписей
  • создание текстовых расшифровок коротких японских высказываний

Ограничения

Для длинной речи качество ограничено: CER на JSUT-BOOK составляет 82,84%. CER заметно различается между тестовыми наборами, поэтому приведённые результаты не гарантируют такое же качество на других аудио.

Для каких профессий подходит5

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

japanese-wav2vec2-base-rs35kh

This model is a wav2vec 2.0 Base fine-tuned on the large-scale Japanese ASR corpus ReazonSpeech v2.0.

Usage

You can use this model through transformers library:

import librosa
import numpy as np
from transformers import AutoProcessor, Wav2Vec2ForCTC

model = Wav2Vec2ForCTC.from_pretrained(
    "reazon-research/japanese-wav2vec2-base-rs35kh",
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
).to("cuda")
processor = AutoProcessor.from_pretrained("reazon-research/japanese-wav2vec2-base-rs35kh")

audio, _ = librosa.load(audio_filepath, sr=16_000)
audio = np.pad(audio, pad_width=int(0.5 * 16_000))  # Recommend to pad audio before inference
input_values = processor(
    audio,
    return_tensors="pt",
    sampling_rate=16_000
).input_values.to("cuda").to(torch.bfloat16)

with torch.inference_mode():
    logits = model(input_values).logits.cpu()
predicted_ids = torch.argmax(logits, dim=-1)[0]
transcription = processor.decode(predicted_ids, skip_special_tokens=True)

Test Results

We report the Character Error Rate (CER) of our model and the other wav2vec2 families.

Model#Prameters⬇AVERAGE⬇JSUT-BASIC5000⬇Common Voice⬇TEDxJP-10K⬇
reazon-research/japanese-wav2vec2-base-rs35kh96.7M20.40%13.22%23.76%24.23%
Ivydata/wav2vec2-large-xlsr-53-japanese318M24.23%13.83%18.15%40.72%
jonatasgrosman/wav2vec2-large-xlsr-53-japanese317M31.82%4.25%40.58%50.63%
vumichien/wav2vec2-large-xlsr-japanese318M39.87%4.21%53.29%62.12%

We also report the CER for long-form speech.

Model#Prameters⬇JSUT-BOOK⬇
reazon-research/japanese-wav2vec2-base-rs35kh96.7M82.84%
Ivydata/wav2vec2-large-xlsr-53-japanese318M65.60%
jonatasgrosman/wav2vec2-large-xlsr-53-japanese317M46.20%
vumichien/wav2vec2-large-xlsr-japanese318M46.52%

Citation

@misc{reazon-research-japanese-wav2vec2-base-rs35kh,
  title={japanese-wav2vec2-base-rs35kh},
  author={Sasaki, Yuta},
  url = {https://huggingface.co/reazon-research/japanese-wav2vec2-base-rs35kh},
  year = {2024}
}

License

Apaceh Licence 2.0

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
46afc59

0 моделей