/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Опубликована
15 окт 2022

wav2vec2-large-english-TIMIT-phoneme_v3

Распознавание речиАудио → текст3 профессии

Дообученная на TIMIT модель Wav2Vec2 распознаёт английскую речь и записывает её в виде последовательности фонем.

1 423скачиваний за 30 дней3лайкавеса обновлены6 янв 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

Модель wav2vec2-large-english-TIMIT-phoneme_v3 разработана на основе facebook/wav2vec2-large и дообучена для распознавания речи на корпусе TIMIT. Она принимает аудио и с помощью архитектуры Wav2Vec2ForCTC преобразует речь в последовательность фонем; размер модели составляет 402,7 млн параметров. На тестовой части TIMIT указаны значения CER 0,0987 и loss 0,3697. Модель подходит для фонемной транскрипции английской речи, особенно в сценариях, близких к записям корпуса TIMIT. Лицензия — Apache-2.0.

Сценарии применения

  • фонемная транскрипция английской речи
  • распознавание речи на записях, похожих на корпус TIMIT
  • оценка качества фонемного распознавания на тестовом наборе TIMIT

Ограничения

Оценка приведена только для тестового набора TIMIT; качество на других типах записей не указано. Модель ориентирована на английскую речь и фонемный вывод, а не на обычную транскрипцию словами.

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-base960-english-phoneme_v3

This model is a fine-tuned version of facebook/wav2vec2-large on the TIMIT dataset. It achieves the following results on the evaluation set:

  • Loss: 0.3697
  • Cer: 0.0987

Training and evaluation data

Training: TIMIT dataset training + validation set Evaluation: TIMIT dataset test set

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0003
  • train_batch_size: 32
  • eval_batch_size: 16
  • seed: 42
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 64
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 1000
  • num_epochs: 50
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossPer
2.26786.945000.23470.0874
0.2513.8810000.33580.1122
0.212620.8315000.38650.1131
0.139727.7720000.41620.1085
0.091634.7225000.44290.1086
0.059441.6630000.36970.0987

Framework versions

  • Transformers 4.23.0.dev0
  • Pytorch 1.12.1.post201
  • Datasets 2.5.2.dev0
  • 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
863ed9d

0 моделей