/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Опубликована
21 июл 2023

wav2vec2-large-xls-r-300m-sw

Распознавание речиАудио → текст7 профессий

Модель THiNK на базе wav2vec 2.0 преобразует речь на суахили в текст для транскрибации и голосовых приложений.

592скачиваний за 30 дней0лайковвеса обновлены5 фев 2024

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 распознавания речи на суахили разработана инициативой THiNK и дообучена на корпусе Common Voice 11.0. Это модель Wav2Vec2ForCTC на базе wav2vec 2.0 с декодированием CTC и unigram-токенизатором; в метаданных указано 402,7 млн параметров. Она принимает аудио и преобразует речь в текст, в том числе для сервисов транскрибации, голосовых помощников и средств доступности.

При обучении использован Common Voice 11.0 на суахили; в README указано, что учитывались демографические характеристики записей, включая возраст, пол и акцент. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache 2.0. Результаты могут зависеть от акцента, качества записи и соответствия речи обучающим данным; численные оценки качества в карточке не приведены.

Сценарии применения

  • транскрибация записей речи на суахили
  • распознавание суахили в голосовых помощниках
  • создание субтитров для аудио на суахили
  • преобразование речи на суахили в текст для средств доступности

Ограничения

Качество распознавания может зависеть от акцента и качества аудиозаписи. В карточке не приведены численные результаты оценки качества.

Для каких профессий подходит7

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

Swahili Automatic Speech Recognition (ASR)

Model details

The Swahili ASR is an end-to-end automatic speech recognition system that was finetuned on the Common Voice Corpus 11.0 Swahili dataset. This repository provides the necessary tools to perform ASR using this model, allowing for high-quality speech-to-text conversions in Swahili.

Example Usage

Here's an example of how you can use this model for speech-to-text conversion:

from datasets import load_dataset
from transformers import pipeline

# replace following lines to load an audio file of your choice
commonvoice_sw = load_dataset("mozilla-foundation/common_voice_11_0", "sw", split="test")
audio_file = commonvoice_sw[0]["audio"]

asr = pipeline("automatic-speech-recognition", model="thinkKenya/wav2vec2-large-xls-r-300m-sw", feature_extractor="thinkKenya/wav2vec2-large-xls-r-300m-sw")

translation = asr(audio_file)
EVAL_LOSSEVAL_WEREVAL_RUNTIMEEVAL_SAMPLES_PER_SECONDEVAL_STEPS_PER_SECONDEPOCH
0.3454144001007080.2602372795622284578.400617.7012.2134.17

Intended Use

This model is intended for any application requiring Swahili speech-to-text conversion, including but not limited to transcription services, voice assistants, and accessibility technology. It can be particularly beneficial in any context where demographic metadata (age, sex, accent) is significant, as these features have been taken into account during training.

Dataset

The model was trained on the Common Voice Corpus 11.0 Swahili dataset, which consists of unique MP3 files and corresponding text files, totaling 16,413 validated hours. Additionally, much of the dataset includes valuable demographic metadata, such as age, sex, and accent, contributing to a more accurate and contextually-aware ASR model. Dataset link

Training Procedure

Pipeline Description

The ASR system has two interconnected stages: the Tokenizer (unigram) and the Acoustic model (wav2vec2.0 + CTC).

  1. Tokenizer (unigram): It transforms words into subword units, using a vocabulary extracted from the training and test datasets. The resulting Wav2Vec2CTCTokenizer is then pushed to the Hugging Face model hub.
  2. Acoustic model (wav2vec2.0 + CTC): Utilizes a pretrained wav2vec 2.0 model (facebook/wav2vec2-base), which is fine-tuned on the dataset. The processed audio data is passed through the CTC (Connectionist Temporal Classification) decoder, which converts the acoustic representations into a sequence of tokens/characters. The trained model is then also pushed to the Hugging Face model hub.

Technical Specifications

The ASR system uses the Wav2Vec2ForCTC model architecture from the Hugging Face's Transformers library. This model, with a built-in Connectionist Temporal Classification (CTC) layer, provides an optimal solution for speech recognition tasks. The model includes a pretrained wav2vec 2.0 model and a linear layer for CTC, which are trained together in an end-to-end manner. The ASR system's performance is measured using the Word Error Rate (WER) during the training process.

Compute Infrastructure

The training was performed using the following compute infrastructure:

ComputeValue
vCPUs32
Memory (GiB)128.0
Memory per vCPU (GiB)4.0
Physical ProcessorAMD EPYC 7R32
Clock Speed (GHz)2.8
CPU Architecturex86_64
GPU1
GPU Architecturenvidia a10g
Video Memory (GiB)24
GPU Compute Capability (?)7.5
FPGA0

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0003
  • train_batch_size: 16
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 32
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 500
  • num_epochs: 30

Framework versions

  • Transformers 4.31.0
  • Pytorch 2.0.1
  • Datasets 2.13.1
  • Tokenizers 0.13.3

About THiNK

THiNK is a technology initiative driven by a community of innovators and businesses. It brings together a collaborative platform that provides services to assist businesses in all sectors, particularly in their digital transformation journey.

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
6b8dbc0

0 моделей