/ Модель

Характеристики

Контекст
512 токенов
Архитектура
speech-encoder-decoder · dense

wav2vec2-2-roberta-large

Распознавание речиАудио → текст3 профессии

Модель SpeechEncoderDecoder для автоматического преобразования аудиоречи в текст, обученная с нуля на LibriSpeech ASR.

74скачиваний 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

Модель speech-seq2seq/wav2vec2-2-roberta-large — аудиомодель архитектуры SpeechEncoderDecoderModel, обученная с нуля на датасете LibriSpeech ASR для автоматического распознавания речи. Она принимает аудио и предназначена для преобразования речи в текст. В карточке приведены результаты оценки на тестовой выборке: WER 1.0 и loss 12.2365; значение WER указывает на крайне низкое качество распознавания в этой оценке. Модель опубликована в формате PyTorch. Лицензия в предоставленных данных не указана.

Сценарии применения

  • транскрибация аудиозаписей на английском языке
  • распознавание речи на тестовых аудиофайлах
  • эксперименты с архитектурами распознавания речи

Ограничения

На оценочной выборке указана WER 1.0, что свидетельствует о крайне низком качестве распознавания. Карточка не описывает ограничения и условия лицензии.

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

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

  • Loss: 12.2365
  • Wer: 1.0

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
6.57740.2850010.54491.0
6.7060.5610009.44111.0
6.91820.84150010.95541.0
6.74161.12200010.08011.0
6.87781.425009.85691.0
6.76941.68300010.42341.0
6.74151.96350010.65451.0
6.59972.24400010.42681.0
6.76722.52450011.19291.0
6.52542.8500012.23651.0

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
c561c40

0 моделей