/ Модель

Характеристики

Контекст
512 токенов
Архитектура
speech-encoder-decoder · dense

wav2vec2-2-bert-large

Распознавание речиАудио → текст4 профессии

Модель на архитектуре SpeechEncoderDecoderModel для распознавания речи и преобразования аудио в текст, обученная с нуля на LibriSpeech ASR.

59скачиваний за 30 дней0лайковвеса обновлены10 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

wav2vec2-2-bert-large — модель распознавания речи с архитектурой SpeechEncoderDecoderModel, опубликованная в репозитории speech-seq2seq/wav2vec2-2-bert-large. Согласно карточке, модель обучена с нуля на наборе LibriSpeech ASR и предназначена для преобразования речи в текст. Метаданные указывают на входные аудиоданные и формат PyTorch.

В карточке приведены результаты оценки на тестовом наборе: loss 6,9670 и WER 1,9878. Описание модели, назначение и ограничения в README заполнены лишь частично; язык распознавания явно не указан. Условия лицензии в доступных данных не приведены.

Сценарии применения

  • расшифровка англоязычных аудиозаписей из LibriSpeech
  • преобразование речи в текст для экспериментов с распознаванием речи
  • оценка качества систем ASR на данных LibriSpeech

Ограничения

README не раскрывает подробные ограничения и сценарии применения; приведённый WER равен 1,9878, поэтому результаты оценки следует учитывать при выборе модели. Лицензионные условия по доступным данным определить нельзя.

Для каких профессий подходит4

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

This model was trained from scratch on the librispeech_asr dataset. It achieves the following results on the evaluation set:

  • Loss: 6.9670
  • Wer: 1.9878

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

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_steps: 500
  • num_epochs: 3.0
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWer
6.75990.285006.87551.2551
6.59430.5610006.77021.5878
6.31460.8415006.69811.6627
6.61121.1220006.67601.9853
6.68941.425006.63231.9376
6.55251.6830006.61851.9383
6.5711.9635006.61261.9580
6.33632.2440006.78691.9818
6.58322.5245006.90962.0025
6.35232.850006.96701.9878

Framework versions

  • Transformers 4.17.0.dev0
  • Pytorch 1.10.2+cu113
  • Datasets 1.18.3
  • Tokenizers 0.11.0

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
SpeechEncoderDecoderModel
Ревизия весов
fb8656e

0 моделей