/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Опубликована
2 мар 2022

wav2vec2-large-xlsr-53-ja

Распознавание речиАудио → текст7 профессий

Дообученная на японской речи Common Voice модель Wav2Vec2 для автоматической транскрипции аудио.

21скачиваний за 30 дней1лайквеса обновлены23 мар 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 vutankiet2901/wav2vec2-large-xlsr-53-ja — японская система автоматического распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на японской части набора Mozilla Common Voice 8.0. Это плотная модель архитектуры Wav2Vec2ForCTC с 402,8 млн параметров, принимающая аудио и выдающая распознанный текст на японском языке.

Модель предназначена для транскрибирования японской речи, в том числе записей, похожих на примеры Common Voice. В README приведены результаты на Common Voice 7.0 и 8.0: для версии 8.0 CER составляет 9,95 без языковой модели и 7,15 с 4-граммовой языковой моделью; WER — 25,10 и 16,09 соответственно. Указана лицензия Apache-2.0. Показатели зависят от данных и настройки декодирования; качество на других источниках речи не описано.

Сценарии применения

  • транскрибация японских аудиозаписей
  • распознавание японской речи в записях Common Voice
  • подготовка текстовых расшифровок японских голосовых данных

Ограничения

Приведённые метрики получены на Common Voice 7.0 и 8.0, поэтому качество на других типах записей не установлено. Для лучших указанных результатов используется внешняя 4-граммовая языковая модель.

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

Model description

This model is a fine-tuned version of facebook/wav2vec2-large-xlsr-53 on the MOZILLA-FOUNDATION/COMMON_VOICE_8_0 - JA dataset.

Benchmark WER result:

COMMON VOICE 7.0COMMON VOICE 8.0
without LM15.7425.10
with 4-grams LM15.3716.09

Benchmark CER result:

COMMON VOICE 7.0COMMON VOICE 8.0
without LM9.519.95
with 4-grams LM6.917.15

Evaluation

Please use the eval.py file to run the evaluation:

python eval.py --model_id vutankiet2901/wav2vec2-large-xlsr-53-ja --dataset mozilla-foundation/common_voice_7_0 --config ja --split test --log_outputs

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: 2000
  • num_epochs: 50.0
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWerCer
4.77764.7315002.95400.97720.8489
1.90769.4630000.71460.53710.2484
1.50714.245000.58430.46890.2196
1.374218.9360000.52860.43210.1988
1.277623.6675000.50070.40560.1870
1.200328.3990000.46760.38480.1802
1.128133.12105000.45240.36940.1720
1.065737.85120000.44490.35900.1681
1.012942.59135000.42660.34230.1617
0.969147.32150000.42140.33750.1587

Framework versions

  • Transformers 4.16.0.dev0
  • Pytorch 1.10.1+cu102
  • 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
Wav2Vec2ForCTC
Ревизия весов
080e96b

0 моделей