/ Модель

Характеристики

Контекст
1 024 токена
Архитектура
speech-encoder-decoder · dense

wav2vec2-2-gpt2-medium-no-adapter-frozen-enc

Распознавание речиАудио → текст4 профессии

Речевая модель SpeechEncoderDecoderModel, обученная на LibriSpeech ASR для преобразования аудио в текст.

45скачиваний за 30 дней0лайковвеса обновлены17 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

speech-seq2seq/wav2vec2-2-gpt2-medium-no-adapter-frozen-enc — речевая модель архитектуры SpeechEncoderDecoderModel, обученная с нуля на датасете LibriSpeech ASR. Она предназначена для автоматического распознавания речи: принимает аудио и генерирует текстовую расшифровку. В README указаны результаты на оценочной выборке: loss 6,5541 и WER 1,9877; по этим значениям качество распознавания выглядит низким.

Модель загружает и обрабатывает аудио, выдаёт текст и распространяется в формате PyTorch. Метаданные указывают на связь с LibriSpeech ASR, но не подтверждают поддержку конкретных языков, размер модели или длину контекста. Условия лицензии в предоставленных данных отсутствуют.

Сценарии применения

  • эксперименты с распознаванием речи на LibriSpeech
  • получение текстовой расшифровки аудиозаписи
  • оценка качества систем автоматического распознавания речи

Ограничения

В README приведён WER 1,9877 на оценочной выборке, что указывает на очень низкое качество распознавания. Лицензия и ограничения на использование в предоставленных данных не описаны.

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: 6.5541
  • Wer: 1.9877

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
1.93640.285006.36131.9833
1.9410.5610005.69741.9746
2.33120.8415005.69791.7345
2.80041.1220006.04361.6787
3.00031.425006.09551.7625
2.96771.6830006.28411.6731
2.27591.9635006.30941.7494
2.29892.2440006.98911.9115
1.88142.5245006.98181.9832
2.6582.850006.55411.9877

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
d2b273a

0 моделей