/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Опубликована
30 дек 2022

wav2vec2-xls-r-300m_phone-mfa_korean

Распознавание речиАудио → текст3 профессии

Модель wav2vec 2.0 XLS-R, дообученная для фонемного распознавания корейской речи.

13 250скачиваний за 30 дней4лайкавеса обновлены8 сен 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 wav2vec 2.0 XLS-R, дообученная slplab на фонетически сбалансированном корпусе чтения носителей корейского языка. Архитектура — Wav2Vec2ForCTC; в метаданных указано 402,7 млн параметров. Модель принимает аудио и выдаёт текстовую последовательность фонем корейской речи.

Для обучения использовано 108 часов аудио из 54 000 записей 540 дикторов; оценка проводилась на 12 часах аудио из 6 000 записей 60 дикторов того же корпуса. В README указан Phone Error Rate 3,88%. Модель может применяться для фонетической транскрипции корейской речи и анализа произношения, в том числе ошибок изучающих корейский как второй язык. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

Оценка относится к указанному корпусу чтения; качество на спонтанной речи, других условиях записи и иных языках по приведённым данным не установлено. Модель ориентирована на фонемную транскрипцию, поэтому её вывод не следует трактовать как обычную орфографическую транскрипцию без соответствующей обработки.

Сценарии применения

  • фонемная транскрипция корейской речи
  • анализ произношения носителей корейского языка
  • выявление фонетических ошибок в корейской речи изучающих язык
  • исследование ошибок произношения корейского как второго языка

Ограничения

Оценка приведена для чтения по фонетически сбалансированному корпусу; переносимость на спонтанную речь и другие условия записи не установлена. Модель выдаёт фонемную транскрипцию, а не обязательно стандартную орфографическую запись.

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_phoneme-mfa_korean

This model is a fine-tuned version of facebook/wav2vec2-xls-r-300m on a phonetically balanced native Korean read-speech corpus.

Training and Evaluation Data

Training Data

  • Data Name: Phonetically Balanced Native Korean Read-speech Corpus
  • Num. of Samples: 54,000 (540 speakers)
  • Audio Length: 108 Hours

Evaluation Data

  • Data Name: Phonetically Balanced Native Korean Read-speech Corpus
  • Num. of Samples: 6,000 (60 speakers)
  • Audio Length: 12 Hours

Training Hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0001
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 16
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_ratio: 0.2
  • num_epochs: 20 (EarlyStopping: patience: 5 epochs max)
  • mixed_precision_training: Native AMP

Evaluation Results

  • Phone Error Rate 3.88%
  • Monophthong-wise Error Rates: (To be posted)

Output Examples

output_examples

MFA-IPA Phoneset Tables

Vowels

mfa_ipa_chart_vowels

Consonants

mfa_ipa_chart_consonants

Experimental Results

Official implementation of the paper (ICPhS 2023)
Major error patterns of L2 Korean speech from five different L1s: Chinese (ZH), Vietnamese (VI), Japanese (JP), Thai (TH), English (EN)
Experimental Results

Framework versions

  • Transformers 4.21.3
  • Pytorch 1.12.1
  • Datasets 2.4.0
  • Tokenizers 0.12.1

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
e26ff9d

0 моделей