/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Опубликована
1 сен 2022

wav2vec2-xls-r-300m-bengali-commonvoice

Распознавание речиАудио → текст6 профессий

Модель Wav2Vec2-XLS-R, дообученная для преобразования бенгальской речи с бангладешским акцентом в текст.

74скачиваний за 30 дней4лайкавеса обновлены17 авг 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

Это модель автоматического распознавания речи на основе Wav2Vec2-XLS-R, разработанная shahruk10 и дообученная на базе arijitx/wav2vec2-xls-r-300m-bengali. Она преобразует бенгальскую речь в текст и предназначена прежде всего для аудио с бангладешским акцентом. Обучение проводилось примерно на 300 часах аудио Common Voice 9.0 с частотой 16 кГц; для декодирования использовалась языковая модель 5-грамм. В метаданных указаны архитектура Wav2Vec2ForCTC и 402,8 млн параметров.

На валидационной выборке соревнования BUET CSE Fest 2022 DL Sprint модель показала CER 0,08079 и WER 0,017939 с 5-граммной языковой моделью и заняла первое место в публичном и приватном рейтингах соревнования. Эти показатели относятся к конкретным данным и настройке декодирования; тестовые метки организаторы не предоставили. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибация бенгальской речи с бангладешским акцентом
  • распознавание речи в записях Common Voice на бенгальском языке
  • создание текстовых расшифровок бенгальского аудио с частотой 16 кГц

Ограничения

Результаты WER и CER приведены только для валидационной выборки соревнования и получены с 5-граммной языковой моделью; тестовая оценка недоступна. Обучающие данные ориентированы на бангладешский акцент, поэтому качество для других акцентов и условий записи может отличаться.

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-XLS-R-300M-Bengali-CommonVoice

  • This model is a fine-tuned version of arijitx/wav2vec2-xls-r-300m-bengali on the the Common Voice 9.0 Bengali dataset. In total, the model was trained on ~300 hours of Bengali (Bangladesh accent) 16 kHz audio data.

  • The training and and validation partitions used were provided by the organizers of the BUET CSE Fest 2022 DL Sprint Competition on Kaggle.

  • The model placed first on both the public and private leader boards.

  • A 5-gram language model generated from the training split was used with model.

Metrics

  • The model was evaluated using Word Error Rate (WER) and Character Error Rate (CER) for the validation set. At the time, the test set labels were not made available by the organizers of the Kaggle competition which provided the data splits for training.
ModelSplitCERWER
With 5-gram LMValidation0.080790.017939

Training

  • The training notebook for this model can be found on Kaggle here.

  • The inference notebook for this model can be found on Kaggle here.

  • The model was first trained for 15 epochs on the training split (with on-the-fly augmentation). Dropouts were enabled and a cosine decay learning rate schedule starting from 3e-5 was used.

  • The best iteration from the first run was further fine-tuned for 5 epochs at constant learning rate of 1e-7 with dropouts disabled.

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
f3d161f

0 моделей