hello_2bオープンソース自動音声認識モデル - 無料でデプロイしてトルコ語音声を高精度に認識

Hello 2b

patrickvonplatenによって開発

このモデルは、facebook/wav2vec2-xls-r-2bをCOMMON_VOICE - TRトルコ語データセットでファインチューニングした自動音声認識(ASR)モデルです

ダウンロード数 27

リリース時間 : 3/2/2022

モデル概要

トルコ語音声認識用のファインチューニングモデルで、wav2vec2-xls-r-2bアーキテクチャに基づいています

大規模事前学習ベース

facebookのwav2vec2-xls-r-2bモデルをファインチューニングしており、強力な音声特徴抽出能力を備えています

トルコ語最適化

トルコ語に特化してファインチューニングされており、トルコ語の音声特性に適応しています

マルチGPUトレーニング

複数GPUを使用した分散トレーニングにより、トレーニング効率が向上しています

トルコ語音声からテキストへの変換

連続音声認識

大規模音声データ処理

音声文字起こし

トルコ語音声文字起こし

トルコ語の音声内容をテキストに変換します

COMMON_VOICE-TRテストセットで0.9531の単語誤り率を達成

音声アシスタント

トルコ語音声コマンド認識

トルコ語音声アシスタントのフロントエンド音声認識モジュールとして使用されます

このモデルは、COMMON_VOICE - TRデータセット上でfacebook/wav2vec2-xls-r-2b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。

このモデルは、自動音声認識タスクに使用できます。具体的な使用方法については、Hugging Faceのドキュメントを参照してください。

詳細情報は後日追加予定です。

詳細情報は後日追加予定です。

詳細情報は後日追加予定です。

学習中に使用されたハイパーパラメータは以下の通りです。

学習損失	エポック	ステップ	検証損失	単語誤り率 (Wer)
3.1646	0.92	100	3.2106	1.0
0.368	1.85	200	2.9963	1.0
0.2252	2.77	300	2.8078	0.9999
0.1546	3.7	400	2.3458	0.9996
0.1468	4.63	500	2.0086	0.9986
0.1261	5.55	600	1.8269	0.9985
0.1206	6.48	700	1.7347	0.9956
0.1959	7.4	800	1.6819	0.9955
0.0502	8.33	900	1.6809	0.9965
0.0811	9.26	1000	1.6674	0.9916
0.0534	10.18	1100	1.5719	0.9898
0.0402	11.11	1200	1.4620	0.9821
0.057	12.04	1300	1.3015	0.9554
0.0385	12.96	1400	1.3798	0.9600
0.0422	13.88	1500	1.3538	0.9699
0.014	14.81	1600	1.2507	0.9443
0.0232	15.74	1700	1.3318	0.9465
0.0554	16.66	1800	1.2784	0.9462
0.0316	17.59	1900	1.2503	0.9481
0.0524	18.51	2000	1.3920	0.9604
0.0142	19.44	2100	1.4224	0.9698
0.0288	20.37	2200	1.3475	0.9635
0.0106	21.29	2300	1.2232	0.9264
0.0396	22.22	2400	1.3323	0.9615
0.0349	23.15	2500	1.2741	0.9587
0.0121	24.07	2600	1.2671	0.9586
0.0224	24.99	2700	1.3001	0.9611
0.0449	25.92	2800	1.2777	0.9572
0.0186	26.85	2900	1.2766	0.9607
0.0365	27.77	3000	1.2935	0.9598
0.0105	28.7	3100	1.2761	0.9588
0.021	29.63	3200	1.2686	0.9528