wsj0フルサポート型オープンソース音声認識モデル - 低エラー率で音声内容を高精度に認識

Wsj0 Full Supervised

Kuray107によって開発

このモデルは、facebook/wav2vec2-large-lv60をWSJ0データセットで微調整した音声認識モデルで、評価セットで0.0343の単語誤り率を達成しました。

ダウンロード数 26

リリース時間 : 3/2/2022

モデル概要

英語の音声認識タスクに最適化された教師あり学習モデルで、wav2vec2アーキテクチャを基に微調整されています。

低単語誤り率

評価セットで3.43%の単語誤り率を達成し、優れた性能を発揮します。

wav2vec2アーキテクチャに基づく

facebookのwav2vec2-large-lv60をベースモデルとして採用しています。

教師あり微調整

WSJ0データセットで教師ありの微調整トレーニングを行っています。

英語音声認識

音声からテキストへの変換

音声文字起こし

会議記録の文字起こし

英語の会議録音を自動的に文字記録に変換します。

高い精度の文字起こし結果

音声メモの変換

音声メモを検索可能なテキストに変換します。

このモデルは、facebook/wav2vec2-large-lv60 をNoneデータセットで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。

詳細情報は後日提供予定です。

詳細情報は後日提供予定です。

詳細情報は後日提供予定です。

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)
5.517	0.86	500	2.9475	1.0
2.2387	1.72	1000	0.4004	0.3498
0.3081	2.57	1500	0.1362	0.1159
0.1744	3.43	2000	0.1125	0.0929
0.1285	4.29	2500	0.0894	0.0727
0.1015	5.15	3000	0.0852	0.0642
0.0811	6.0	3500	0.0789	0.0614
0.0748	6.86	4000	0.0746	0.0529
0.0639	7.72	4500	0.0714	0.0481
0.0606	8.58	5000	0.0698	0.0489
0.0525	9.43	5500	0.0747	0.0464
0.0489	10.29	6000	0.0594	0.0396
0.0419	11.15	6500	0.0600	0.0359
0.0414	12.01	7000	0.0612	0.0412
0.0383	12.86	7500	0.0676	0.0392
0.0352	13.72	8000	0.0626	0.0388
0.034	14.58	8500	0.0699	0.0372
0.0309	15.44	9000	0.0807	0.0420
0.0295	16.3	9500	0.0796	0.0396
0.0273	17.15	10000	0.0716	0.0376
0.0271	18.01	10500	0.0657	0.0384
0.0251	18.87	11000	0.0585	0.0351
0.024	19.73	11500	0.0557	0.0347
0.0252	20.58	12000	0.0609	0.0327
0.0231	21.44	12500	0.0720	0.0368
0.0202	22.3	13000	0.0625	0.0343
0.0195	23.16	13500	0.0635	0.0372
0.0201	24.01	14000	0.0582	0.0335
0.0183	24.87	14500	0.0562	0.0343
0.0183	25.73	15000	0.0629	0.0335
0.0175	26.59	15500	0.0593	0.0323
0.017	27.44	16000	0.0631	0.0339
0.0162	28.3	16500	0.0597	0.0335
0.0169	29.16	17000	0.0623	0.0343