/ Модель

Характеристики

Параметры
403 млн
Архитектура
wav2vec2 · dense
Библиотека
transformers
Опубликована
18 янв 2025

wav2vec2-large-robust-L2-english-phoneme-recognition

Распознавание речиАудио → текст3 профессии

Дообученная Wav2Vec2-Large-Robust распознаёт английские фонемы в речи корейских учащихся для анализа произношения.

2 608скачиваний за 30 дней5лайковвеса 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

Это модель распознавания фонем на основе Wav2Vec2-Large-Robust, дообученная Сехёном О на пересмотренном наборе данных ETRI для анализа английского произношения корейских учащихся. Она принимает речевые записи и выдаёт последовательности английских фонем; ошибки произношения в обучающих аннотациях отмечены специальной меткой _err и включают замены, вставки и пропуски фонем. Модель предназначена для анализа английского произношения, в том числе в системах обучения и исследованиях влияния корейского языка на произношение английского.

Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров; репозиторий использует Transformers и формат safetensors. На тестовом наборе указана фонемная частота ошибок 0,0905. Сведения о лицензии в предоставленных данных отсутствуют.

Сценарии применения

  • распознавание английских фонем в речи корейских учащихся
  • анализ замен, вставок и пропусков фонем
  • оценка произношения английского на фонемном уровне
  • исследование влияния корейского языка на английское произношение

Ограничения

Обучение и оценка описаны для английской речи корейских учащихся, поэтому качество на других группах говорящих и языках не подтверждено. Приведённый PER 0,0905 относится к указанному тестовому набору.

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-Large-Robust finetuned on the revised ETRI Data of Korean-English for Pronunciation Model

This repository contains a fine-tuned Wav2Vec2-Large-Robust model for phoneme recognition tasks. The model was trained and evaluated on our in-house English pronunciations of Korean learners dataset, which was made with ETRI and revised by SNU SLP lab.

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

Data Information

  • Dataset Name: English Pronunciation of Korean Learners (made with ETRI) revised by SNU SLP lab

  • Data Type: Speech recordings of Korean learners speaking English, annotated with phoneme sequences.

  • Annotation: Each utterance is transcribed at the phoneme level, including pronunciation errors marked with _err. These errors highlight phoneme substitutions, insertions, and deletions that occur due to the influence of the Korean language on English pronunciation.

  • Train Set: 14,305 samples

  • Valid Set: 1,590 samples

  • Test Set: 3,974 samples

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-Large-Robust 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: 0.2415
  • Phoneme Error Rate (PER) on Training Set: 0.0508
  • Validation Loss: 0.3999
  • Phoneme Error Rate (PER) on Validation Set: 0.1622

Test Results

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

  • Phoneme Error Rate (PER): 0.0905

Phoneme Data Example

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

Sample :

  • Provided Sentence: I'M LOOKING FOR MY PUPPY LUKE HE RAN AWAY THIS MORNING
  • True Phonemes of Korean pronunciation: ay m l uh k ih_err ng f er m ay p ah p iy l uw k hh iy l ah n ah w ey dh ih s m ao r n ih_err n
  • Predicted Phonemes: ay m l uh k ih ng f er m ay p ah p iy l uh k hh iy l ah n ah w ey dh ih s m ao r n ih_err ng

Training Logs

TensorBoard logs are available for detailed training analysis:

  • events.out.tfevents.1737043507.oem-WS-C621E-SAGE-Series.1534005.0
  • events.out.tfevents.1737088179.oem-WS-C621E-SAGE-Series.1534005.1

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
b303be3

0 моделей