/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Опубликована
19 мая 2022

wav2vec2-xls-r-300m-phoneme

Распознавание речиАудио → текст3 профессии

Дообученная wav2vec2 модель для преобразования аудиоречи в последовательность фонем.

1 499скачиваний за 30 дней6лайковвеса обновлены13 мая 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 оценки17

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • GunshotTriangulation

    main_score

    Результат

    0,8536

    MTEB

    Публичная таблицаревизия совпадает

  • SIBFLEURS

    main_score

    Результат

    0,1522

    Общий результат 0,2233Общий результат 0,2233Общий результат 0,2233
    MTEB

    Публичная таблицаревизия совпадает

  • BirdCLEF

    main_score

    Результат

    0,175

    MTEB

    Публичная таблицаревизия совпадает

  • FSDD

    main_score

    Результат

    0,9407

    MTEB

    Публичная таблицаревизия совпадает

  • NSynth

    main_score

    Результат

    0,4202

    MTEB

    Публичная таблицаревизия совпадает

  • CommonLanguageGenderDetection

    main_score

    Результат

    0,378

    MTEB

    Публичная таблицаревизия совпадает

  • MInDS14

    main_score

    Результат

    0,2737

    Общий результат 0,2386
    MTEB

    Публичная таблицаревизия совпадает

  • ESC50

    main_score

    Результат

    0,5455

    MTEB

    Публичная таблицаревизия совпадает

  • VocalSound

    main_score

    Результат

    0,5965

    MTEB

    Публичная таблицаревизия совпадает

  • VehicleSoundClustering

    main_score

    Результат

    0,0124

    MTEB

    Публичная таблицаревизия совпадает

  • VoxCelebClustering

    main_score

    Результат

    0,0009

    MTEB

    Публичная таблицаревизия совпадает

  • BirdSet

    main_score

    Результат

    0,2617

    MTEB

    Публичная таблицаревизия совпадает

  • JamAltArtistA2ARetrieval

    main_score

    Результат

    0,6189

    Общий результат 0,6499
    MTEB

    Публичная таблицаревизия совпадает

  • BeijingOpera

    main_score

    Результат

    0,8601

    MTEB

    Публичная таблицаревизия совпадает

  • VoxCelebSA

    main_score

    Результат

    0,2714

    MTEB

    Публичная таблицаревизия совпадает

  • VoxLingua107_Top10

    main_score

    Результат

    0,428

    MTEB

    Публичная таблицаревизия совпадает

  • UrbanSound8k

    main_score

    Результат

    0,5631

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

vitouphy/wav2vec2-xls-r-300m-phoneme — дообученная модель на базе facebook/wav2vec2-xls-r-300m для распознавания речи. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, выдавая текстовую последовательность фонем. В карточке приведены результаты оценки: loss 0,3327 и CER 0,1332; набор данных для обучения не определён в README.

Модель опубликована в форматах PyTorch и Safetensors по лицензии Apache-2.0. Карточка не описывает целевые языки, условия записи и ограничения применения, поэтому качество для конкретных языков и акустических условий по этим данным оценить нельзя.

Сценарии применения

  • распознавание фонем в аудиозаписи речи
  • получение фонемной транскрипции для анализа произношения
  • подготовка речевых данных для фонетических исследований

Ограничения

Языки, обучающий набор и целевые условия записи в карточке не описаны; показатель CER приведён без указания языка и протокола оценки.

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-xls-r-300m-phoneme

This model is a fine-tuned version of facebook/wav2vec2-xls-r-300m on the None dataset. It achieves the following results on the evaluation set:

  • Loss: 0.3327
  • Cer: 0.1332

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: 3e-05
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 4
  • 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: 2000
  • training_steps: 7000
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossCer
3.43241.3210003.36930.9091
2.17512.6520001.13820.2397
1.39863.9730000.48860.1452
1.22855.340000.38420.1351
1.1426.6250000.35050.1349
1.10757.9560000.33230.1317
1.08679.2770000.32650.1315

Framework versions

  • Transformers 4.17.0.dev0
  • Pytorch 1.10.2+cu102
  • Datasets 1.18.2.dev0
  • 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
Wav2Vec2ForCTC
Ревизия весов
bf9913b

0 моделей