wav2vec2-large-xlsr-coraa-portuguese-cv8開源模型 - 免費實現精準葡萄牙語語音識別

Wav2vec2 Large Xlsr Coraa Portuguese Cv8

Developed by lgris

基於Edresson/wav2vec2-large-xlsr-coraa-portuguese在common_voice數據集上微調的葡萄牙語語音識別模型

Downloads 34

Release Time : 3/2/2022

Model Overview

該模型是針對葡萄牙語優化的自動語音識別(ASR)模型，基於wav2vec2-large-xlsr架構，在Common Voice 8.0數據集上進行了微調，能夠將葡萄牙語語音轉換為文本。

高準確率

在評估集上取得13.65%的詞錯誤率(WER)，表現優異

基於大規模預訓練

基於wav2vec2-large-xlsr架構的預訓練模型進行微調

專門針對葡萄牙語優化

在Common Voice葡萄牙語數據集上進行了專門微調

葡萄牙語語音識別

語音轉文本

語音轉錄

語音備忘錄轉錄

將葡萄牙語語音備忘錄轉換為可搜索的文本

準確率約86.35%

無障礙應用

即時字幕生成

為葡萄牙語視頻內容生成即時字幕

這個模型是基於 Edresson/wav2vec2-large-xlsr-coraa-portuguese 在 common_voice 數據集上進行微調的版本。它在評估集上取得了以下結果：

更多信息待補充。

更多信息待補充。

更多信息待補充。

訓練期間使用了以下超參數：

訓練損失	輪數	步數	驗證損失	字錯率（Wer）
0.5614	0.1	100	0.2542	0.1986
0.5181	0.19	200	0.2740	0.2146
0.5056	0.29	300	0.2472	0.2068
0.4747	0.39	400	0.2464	0.2166
0.4627	0.48	500	0.2277	0.2041
0.4403	0.58	600	0.2245	0.1977
0.4413	0.68	700	0.2156	0.1968
0.437	0.77	800	0.2102	0.1919
0.4305	0.87	900	0.2130	0.1864
0.4324	0.97	1000	0.2144	0.1902
0.4217	1.06	1100	0.2230	0.1891
0.3823	1.16	1200	0.2033	0.1774
0.3641	1.25	1300	0.2143	0.1830
0.3707	1.35	1400	0.2034	0.1793
0.3767	1.45	1500	0.2029	0.1823
0.3483	1.54	1600	0.1999	0.1740
0.3577	1.64	1700	0.1928	0.1728
0.3667	1.74	1800	0.1898	0.1726
0.3283	1.83	1900	0.1920	0.1688
0.3571	1.93	2000	0.1904	0.1649
0.3467	2.03	2100	0.1994	0.1648
0.3145	2.12	2200	0.1940	0.1682
0.3186	2.22	2300	0.1879	0.1571
0.3058	2.32	2400	0.1975	0.1678
0.3096	2.41	2500	0.1877	0.1589
0.2964	2.51	2600	0.1862	0.1568
0.3068	2.61	2700	0.1809	0.1588
0.3036	2.7	2800	0.1769	0.1573
0.3084	2.8	2900	0.1836	0.1524
0.3109	2.9	3000	0.1807	0.1519
0.2969	2.99	3100	0.1851	0.1516
0.2698	3.09	3200	0.1737	0.1490
0.2703	3.19	3300	0.1759	0.1457
0.2759	3.28	3400	0.1778	0.1471
0.2728	3.38	3500	0.1717	0.1462
0.2398	3.47	3600	0.1767	0.1451
0.256	3.57	3700	0.1742	0.1410
0.2712	3.67	3800	0.1674	0.1414
0.2648	3.76	3900	0.1717	0.1423
0.2576	3.86	4000	0.1672	0.1403
0.2504	3.96	4100	0.1683	0.1381
0.2406	4.05	4200	0.1685	0.1399
0.2403	4.15	4300	0.1656	0.1381
0.2233	4.25	4400	0.1687	0.1371
0.2546	4.34	4500	0.1642	0.1377
0.2431	4.44	4600	0.1655	0.1372
0.2337	4.54	4700	0.1625	0.1370
0.2607	4.63	4800	0.1618	0.1363
0.2292	4.73	4900	0.1622	0.1366
0.2232	4.83	5000	0.1626	0.1365