/ Модель

Характеристики

Параметры
403 млн
Архитектура
wav2vec2 · dense
Библиотека
transformers
Опубликована
11 мар 2025

wav2vec2-XLSR-300m_KoreanPhonene_spoken_by_foreigners

Распознавание речиАудио → текст3 профессии

Дообученная Wav2Vec2-XLS-R-300m распознаёт корейские слова и фонемы в речи носителей английского языка.

654скачиваний за 30 дней0лайковвеса обновлены11 мар 2025

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 slplab/wav2vec2-XLSR-300m_KoreanPhonene_spoken_by_foreigners разработана Sehyun Oh и предназначена для распознавания корейской речи и фонем в записях, где носители английского языка говорят по-корейски. Это дообученная модель Wav2Vec2-XLS-R-300m с архитектурой Wav2Vec2ForCTC, содержащая 402,7 млн параметров и принимающая аудио.

Сценарии применения

  • распознавание корейской речи с английским акцентом
  • транскрибирование корейских высказываний носителей английского языка
  • распознавание последовательностей корейских фонем в аудиозаписях

Ограничения

Оценка проведена на наборе записей носителей английского языка, говорящих по-корейски; качество на других акцентах и условиях записи не описано. Лицензия в предоставленных данных не указана.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Wav2Vec2-XLS-R-300m finetuned on the data of Korean pronunciations of English speakers.

This repository contains a finetuned Wav2Vec2-xls-r-300m model for phoneme recognition task. The model was trained and evaluated on “the spoken Korean voice of native English speakers” provided by AIHub https://www.aihub.or.kr/aihubdata/data/view.do?currMenu=&topMenu=&aihubDataSe=data&dataSetSn=71469

Creator & Uploader: Sehyun Oh (ohsehyun12@snu.ac.kr)

Data Information

  • Dataset Name: the spoken Korean voice of native English speakers.

  • Data Type: Speech recordings of English speakers speaking Korean.

  • Annotation: Each utterance is annotated with korean words and phoneme sequences.

  • Train Set: 124,626 samples, 121.75 hours

  • Valid Set: 15,066 samples, 14.94 hours

  • Test Set: 15,091 samples, 14.78 hours

Training Procedure

The model was fine-tuned for phoneme recognition using the Hugging Face transformers library. Below are the training steps:

  1. Data preprocessing to align audio with phoneme labels.
  2. Wav2Vec2-XLS-R-300M model fine-tuning with CTC loss.
  3. Evaluation on validation and test sets.

Training Hyperparameters

  • Epochs: 50
  • Learning Rate: 0.0001
  • Warmup Ratio: 0.1
  • Scheduler: Linear
  • Batch Size: 8
  • Loss Reduction: Mean
  • Feature Extractor Freeze: Enabled

Training Results

The following metrics were achieved during training:

  • Final Training Loss: 0.0473
  • Validation Loss: 0.1541
  • Word Error Rate (WER) on Validation Set: 0.1156

Test Results

The model was evaluated on the test dataset with the following performance:

  • Word Error Rate (WER): 0.0315
  • Character Error Rate (CER): 0.0230
  • Phoneme Error Rate (PER): 0.0315

Phoneme Data Example

Below is an example of how the dataset is structured for this phoneme recognition task:

  • Prompt means the specific sentence or word that the pariticipant has to read.
  • True Phonemes indicate the phonemes transcribed based on how the participant's pronunciation sounds
  • Predicted Phonemes represent the finetuned model's prediction of phonemes.

Sample :

  • Prompt: 여기 비빔밥 한 그릇 갖다 주세요.
  • True Phonemes of Korean pronunciation: ㅕ ㄱ ㅣ ㅂ ㅣ ㅂ ㅣ ㅁ ㅂ ㅏ ㅂ ㅎ ㅏ ㄴ ㄱ ㅡ ㄹ ㅡ ㄷ ㄱ ㅏ ㄷ ㅏ ㄷ ㅗ ㅅ ㅔ ㅛ
  • Predicted Phonemes: ㅕ ㄱ ㅣ ㅂ ㅣ ㅂ ㅣ ㅁ ㅃ ㅏ ㅂ ㅎ ㅏ ㄴ ㄱ ㅡ ㄹ ㅡ ㄷ ㄱ ㅏ ㄷ ㄸ ㅏ ㅈ ㅜ ㅅ ㅔ ㅛ

Training Logs

TensorBoard logs are available for detailed training analysis:

  • events.out.tfevents.1741331703.oem-WS-C621E-SAGE-Series.3197499.0
  • events.out.tfevents.1741696761.oem-WS-C621E-SAGE-Series.3197499.1

Use the following command to visualize logs:

tensorboard --logdir=./logs/

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
8c34079

0 моделей