Wav2vec2 Large Xls R 300m Sr V4

🚀 wav2vec2-large-xls-r-300m-sr-v4

このモデルは、MOZILLA-FOUNDATION/COMMON_VOICE_8_0 - SRデータセットで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: 0.5570
• 単語誤り率 (Wer): 0.3038

🚀 クイックスタート

評価コマンド

1. mozilla-foundation/common_voice_8_0のテスト分割で評価する場合

python eval.py --model_id DrishtiSharma/wav2vec2-large-xls-r-300m-sr-v4 --dataset mozilla-foundation/common_voice_8_0 --config sr --split test --log_outputs

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

python eval.py --model_id DrishtiSharma/wav2vec2-large-xls-r-300m-sr-v4 --dataset speech-recognition-community-v2/dev_data --config sr --split validation --chunk_length_s 10 --stride_length_s 1

🔧 技術詳細

学習ハイパーパラメータ

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。

• 学習率: 0.0003
• 学習バッチサイズ: 16
• 評価バッチサイズ: 8
• シード: 42
• 勾配累積ステップ数: 2
• 総学習バッチサイズ: 32
• オプティマイザ: Adam (betas=(0.9,0.999), epsilon=1e-08)
• 学習率スケジューラの種類: 線形
• 学習率スケジューラのウォームアップステップ数: 800
• エポック数: 200
• 混合精度学習: Native AMP

学習結果

フレームワークバージョン

• Transformers 4.16.2
• Pytorch 1.10.0+cu111
• Datasets 1.18.2
• 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。

📚 ドキュメント

モデル情報

評価結果

このモデルは以下のタスクとデータセットで評価されています。

• タスク: 自動音声認識 (Automatic Speech Recognition)
• データセット:
  • Common Voice 8 (mozilla-foundation/common_voice_8_0, sr)
  • Robust Speech Event - Dev Data (speech-recognition-community-v2/dev_data, sr)
  • Robust Speech Event - Test Data (speech-recognition-community-v2/eval_data, sr)

評価指標