Wav2vec2 Xls R 300m Zh TW

🚀 音声自動認識モデル

このモデルは、自動音声認識タスクに特化したモデルです。COMMON_VOICE - ZH-TWデータセットで微調整され、高い精度での音声認識が可能です。

🚀 クイックスタート

このモデルは、facebook/wav2vec2-xls-r-300m をCOMMON_VOICE - ZH-TWデータセットで微調整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: 1.1786
• 単語誤り率 (Wer): 0.8594
• 文字誤り率 (Cer): 0.2964

🔧 技術詳細

学習ハイパーパラメータ

学習時には以下のハイパーパラメータが使用されました。

• 学習率 (learning_rate): 7.5e-05
• 学習バッチサイズ (train_batch_size): 8
• 評価バッチサイズ (eval_batch_size): 8
• 乱数シード (seed): 42
• 勾配累積ステップ数 (gradient_accumulation_steps): 4
• 総学習バッチサイズ (total_train_batch_size): 32
• 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): linear
• 学習率スケジューラのウォームアップステップ数 (lr_scheduler_warmup_steps): 2000
• エポック数 (num_epochs): 100.0
• 混合精度学習 (mixed_precision_training): Native AMP

学習結果

フレームワークのバージョン

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

📄 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。