sew-d-small-100k-timitオープンソース自動音声認識モデル - 音声を正確に認識し、低い単語誤り率を実現

Sew D Small 100k Timit

Developed by patrickvonplaten

このモデルはasapp/sew-d-small-100kをベースにTIMIT_ASR - NAデータセットで微調整された自動音声認識モデルで、評価セットで0.8061の単語誤り率を達成しました。

Downloads 16

Release Time : 3/2/2022

Model Overview

これは自動音声認識(ASR)のためのモデルで、特にTIMIT_ASRデータセット向けに最適化されています。

効率的な微調整

事前学習済みのsew-d-small-100kモデルをTIMIT_ASRデータセットで微調整

最適化された性能

TIMIT_ASR評価セットで0.8061の単語誤り率を達成

軽量

smallバージョンモデルで、リソースが限られた環境に適しています

英語音声認識

音声からテキストへの変換

音声技術

音声文字起こし

英語音声をテキストに変換

単語誤り率0.8061

音声コマンド認識

音声コマンドを認識して実行可能なコマンドに変換

このモデルは、TIMIT_ASR - NAデータセットでasapp/sew-d-small-100k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。

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)
4.2068	0.69	100	4.0802	1.0
2.9805	1.38	200	2.9792	1.0
2.9781	2.07	300	2.9408	1.0
2.9655	2.76	400	2.9143	1.0
2.8953	3.45	500	2.8775	1.0
2.7718	4.14	600	2.7787	1.0
2.6711	4.83	700	2.6401	0.9786
2.6403	5.52	800	2.5435	1.0392
2.4052	6.21	900	2.4580	1.0706
2.1708	6.9	1000	2.2800	1.0090
2.2555	7.59	1100	2.1493	0.9579
2.3673	8.28	1200	2.0709	0.9051
2.091	8.97	1300	2.0258	0.8926
1.8433	9.66	1400	1.9645	0.8243
1.6824	10.34	1500	1.9211	0.8707
2.2282	11.03	1600	1.8914	0.8695
1.9027	11.72	1700	1.8718	0.8343
1.6303	12.41	1800	1.8646	0.8232
1.648	13.1	1900	1.8297	0.8177
2.0429	13.79	2000	1.8127	0.8642
1.8833	14.48	2100	1.8005	0.8307
1.5996	15.17	2200	1.7926	0.8467
1.4876	15.86	2300	1.7795	0.8341
1.8925	16.55	2400	1.7716	0.8199
1.814	17.24	2500	1.7846	0.8086
1.536	17.93	2600	1.7655	0.8019
1.4476	18.62	2700	1.7599	0.8070
1.7629	19.31	2800	1.7589	0.8119
1.7646	20.0	2900	1.7541	0.8061