/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense

wav2vec2-large-xlsr-catala

Распознавание речиАудио → текст6 профессий

Дообученная Wav2Vec2-модель для транскрибирования речи на каталанском языке.

467 тыс.скачиваний за 30 дней1лайквеса обновлены8 фев 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

Модель Wav2Vec2-Large-XLSR-Català разработана сообществом Softcatalà как дообученная версия facebook/wav2vec2-large-xlsr-53 для распознавания речи на каталанском языке. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров.

Модель преобразует входную речь в текст и предназначена для транскрибирования каталанской речи, в том числе записей из корпусов Common Voice и ParlamentParla. Для работы аудио следует подавать с частотой дискретизации 16 кГц; языковая модель для описанного сценария не обязательна.

В README приведены значения WER 6,92% на тестовом разделении CV+ParlamentParla, 12,99% на Google Crowdsourced Corpus и 13,23% на аудиокниге «La llegenda de Sant Jordi». Авторы предупреждают, что разделение Common Voice 6.1 пересекается с обучающими и оценочными данными: оценка на тестовом наборе CV будет смещённой. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибирование каталанской речи из аудиозаписей
  • распознавание каталанской речи в записях публичных выступлений
  • создание текстовых расшифровок каталанских аудиокниг

Ограничения

Для входного аудио требуется частота дискретизации 16 кГц. Оценка на тестовом наборе Common Voice 6.1 будет смещённой из-за пересечения файлов с обучающими и оценочными данными.

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-Large-XLSR-Català

Fine-tuned facebook/wav2vec2-large-xlsr-53 on Catalan language using the Common Voice and ParlamentParla datasets.

Attention: The split train/dev/test used does not fully map with the CommonVoice 6.1 dataset. A custom split was used combining both the CommonVoice and ParlamentParla dataset and can be found here. Evaluating on the CV test dataset will produce a biased WER as 1144 audio files of that dataset were used in training/evaluation of this model. WER was calculated using this test.csv which was not seen by the model during training/evaluation.

You can find training and evaluation scripts in the github repository ccoreilly/wav2vec2-catala

When using this model, make sure that your speech input is sampled at 16kHz.

Results

Word error rate was evaluated on the following datasets unseen by the model:

DatasetWER
Test split CV+ParlamentParla6.92%
Google Crowsourced Corpus12.99%
Audiobook “La llegenda de Sant Jordi”13.23%

Usage

The model can be used directly (without a language model) as follows:

import torch
import torchaudio
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

test_dataset = load_dataset("common_voice", "ca", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("ccoreilly/wav2vec2-large-xlsr-catala") 
model = Wav2Vec2ForCTC.from_pretrained("ccoreilly/wav2vec2-large-xlsr-catala")

resampler = torchaudio.transforms.Resample(48_000, 16_000)

# Preprocessing the datasets.
# We need to read the audio files as arrays
def speech_file_to_array_fn(batch):
	speech_array, sampling_rate = torchaudio.load(batch["path"])
	batch["speech"] = resampler(speech_array).squeeze().numpy()
	return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)
inputs = processor(test_dataset["speech"][:2], sampling_rate=16_000, return_tensors="pt", padding=True)

with torch.no_grad():
	logits = model(inputs.input_values, attention_mask=inputs.attention_mask).logits

predicted_ids = torch.argmax(logits, dim=-1)

print("Prediction:", processor.batch_decode(predicted_ids))
print("Reference:", test_dataset["sentence"][:2])

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
4e8ceed

0 моделей