Wav2vec2 Xls R 300m Es

🚀 wav2vec2-cls-r-300m-es

このモデルは、COMMON_VOICE - ESデータセット上でfacebook/wav2vec2-xls-r-300mをファインチューニングしたバージョンです。評価セットでは以下の結果を達成しています。

• 損失: 0.5160
• 単語誤り率 (Wer): 0.4016

📚 ドキュメント

モデルの概要

このモデルは、自動音声認識タスクに特化したもので、COMMON_VOICE - ESデータセットを使用してファインチューニングされています。以下に、いくつかのデータセットでの評価結果を示します。

想定用途と制限事項

詳細情報は後日提供予定です。

学習と評価データ

詳細情報は後日提供予定です。

🔧 技術詳細

学習ハイパーパラメータ

学習時に使用されたハイパーパラメータは以下の通りです。

• 学習率 (learning_rate): 0.0003
• 学習バッチサイズ (train_batch_size): 16
• 評価バッチサイズ (eval_batch_size): 8
• 乱数シード (seed): 42
• オプティマイザ (optimizer): Adam (betas=(0.9,0.999), epsilon=1e-08)
• 学習率スケジューラの種類 (lr_scheduler_type): 線形
• エポック数 (num_epochs): 8.0
• 混合精度学習 (mixed_precision_training): Native AMP

学習結果

フレームワークバージョン

• Transformers 4.17.0.dev0
• Pytorch 1.10.2+cu102
• Datasets 1.18.2.dev0
• Tokenizers 0.11.0

評価コマンド

1. mozilla-foundation/common_voice_7_0 の test スプリットで評価する場合

python eval.py --model_id samitizerxu/wav2vec2-xls-r-300m-es --dataset mozilla-foundation/common_voice_7_0 --config es --split test

2. speech-recognition-community-v2/dev_data で評価する場合

python eval.py --model_id samitizerxu/wav2vec2-xls-r-300m-es --dataset speech-recognition-community-v2/dev_data --config es --split validation --chunk_length_s 5.0 --stride_length_s 1.0

📄 ライセンス

このモデルは、Apache-2.0ライセンスの下で提供されています。