/ Модель

Характеристики

Контекст
1 024 токена
Архитектура
speech-encoder-decoder · dense
Опубликована
22 мар 2022

wav2vec2-2-bart-large-cnn

Распознавание речиАудио → текст8 профессий

Модель на архитектуре SpeechEncoderDecoderModel для транскрипции аудио в текст, обученная на LibriSpeech ASR.

8скачиваний за 30 дней0лайковвеса обновлены29 мар 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

sanchit-gandhi/wav2vec2-2-bart-large-cnn — модель распознавания речи на архитектуре SpeechEncoderDecoderModel, обученная с нуля на наборе LibriSpeech ASR. Она преобразует аудио в текст и предназначена для автоматической транскрипции речи. В карточке приведён результат на оценочной выборке: WER 0,1042 и loss 0,3524.

Модель опубликована в формате PyTorch. Лицензия и подробности об ограничениях в доступных данных не указаны.

Сценарии применения

  • транскрибация англоязычной речи
  • преобразование аудиозаписей в текст
  • распознавание речи на аудио из LibriSpeech

Ограничения

Оценка WER 0,1042 указана только для оценочной выборки LibriSpeech ASR; качество на других наборах данных не подтверждено. Сведения о лицензии и дополнительных ограничениях отсутствуют.

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

This model was trained from scratch on the librispeech_asr dataset. It achieves the following results on the evaluation set:

  • Loss: 0.3524
  • Wer: 0.1042

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: 0.0003
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • distributed_type: multi-GPU
  • num_devices: 2
  • gradient_accumulation_steps: 16
  • total_train_batch_size: 256
  • total_eval_batch_size: 16
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 500
  • num_epochs: 10.0
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWer
2.76054.55002.62991.4451
0.11779.0110000.35240.1042

Framework versions

  • Transformers 4.17.0.dev0
  • Pytorch 1.10.2+cu113
  • Datasets 1.18.3
  • 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
SpeechEncoderDecoderModel
Ревизия весов
c485867

0 моделей