model-facebookptbrlarge開源語音識別模型 - 免費部署精準識別巴西葡萄牙語

首頁

Model Facebookptbrlarge

由Vkt開發

基於Facebook wav2vec2-large-xlsr-53-portuguese模型在common_voice數據集上微調的巴西葡萄牙語語音識別模型

語音識別

Transformers

開源協議:Apache-2.0 #葡萄牙語語音識別 #Wav2Vec2微調 #低詞錯誤率

下載量 22

發布時間 : 6/7/2022

模型概述

該模型是針對巴西葡萄牙語優化的自動語音識別(ASR)模型，在common_voice數據集上微調，具有較低的詞錯誤率

模型特點

高精度語音識別

在common_voice評估集上達到13.22%的詞錯誤率(WER)

巴西葡萄牙語優化

專門針對巴西葡萄牙語語音特點進行微調

基於wav2vec2架構

採用Facebook先進的wav2vec2-large-xlsr-53架構

模型能力

巴西葡萄牙語語音轉文本

連續語音識別

音頻內容轉錄

使用案例

語音轉錄

語音備忘錄轉錄

將巴西葡萄牙語語音備忘錄轉換為文本

高準確率的轉錄結果

客服對話記錄

自動記錄巴西葡萄牙語客服對話內容

減少人工轉錄成本

輔助技術

語音輸入系統

為巴西葡萄牙語用戶提供語音輸入功能

提升無障礙訪問體驗

🚀 model-facebookptbrlarge

該模型是 facebook/wav2vec2-large-xlsr-53-portuguese 在 common_voice 數據集上的微調版本。它在評估集上取得了以下結果：

損失值（Loss）：0.2206
字錯率（Wer）：0.1322

📚 詳細文檔

訓練過程

訓練超參數

訓練過程中使用了以下超參數：

學習率（learning_rate）：0.0003
訓練批次大小（train_batch_size）：8
評估批次大小（eval_batch_size）：8
隨機種子（seed）：42
梯度累積步數（gradient_accumulation_steps）：2
總訓練批次大小（total_train_batch_size）：16
優化器（optimizer）：Adam，其中 betas=(0.9, 0.999)，epsilon=1e-08
學習率調度器類型（lr_scheduler_type）：線性
學習率調度器熱身步數（lr_scheduler_warmup_steps）：500
訓練輪數（num_epochs）：30
混合精度訓練（mixed_precision_training）：原生自動混合精度（Native AMP）

訓練結果

訓練損失	輪數	步數	驗證損失	字錯率
5.8975	0.29	400	0.4131	0.3336
0.5131	0.57	800	0.4103	0.3293
0.4846	0.86	1200	0.3493	0.3028
0.4174	1.14	1600	0.3055	0.2730
0.4105	1.43	2000	0.3283	0.3041
0.4028	1.72	2400	0.3539	0.3210
0.386	2.0	2800	0.2925	0.2690
0.3224	2.29	3200	0.2842	0.2665
0.3122	2.57	3600	0.2781	0.2472
0.3087	2.86	4000	0.2794	0.2692
0.2878	3.15	4400	0.2795	0.2537
0.2915	3.43	4800	0.2764	0.2478
0.2816	3.72	5200	0.2761	0.2366
0.283	4.0	5600	0.2641	0.2587
0.2448	4.29	6000	0.2489	0.2417
0.247	4.57	6400	0.2538	0.2422
0.25	4.86	6800	0.2660	0.2306
0.2256	5.15	7200	0.2477	0.2267
0.2225	5.43	7600	0.2364	0.2195
0.2217	5.72	8000	0.2319	0.2139
0.2272	6.0	8400	0.2489	0.2427
0.2016	6.29	8800	0.2404	0.2181
0.1973	6.58	9200	0.2532	0.2273
0.2101	6.86	9600	0.2590	0.2100
0.1946	7.15	10000	0.2414	0.2108
0.1845	7.43	10400	0.2485	0.2124
0.1861	7.72	10800	0.2405	0.2124
0.1851	8.01	11200	0.2449	0.2062
0.1587	8.29	11600	0.2510	0.2048
0.1694	8.58	12000	0.2290	0.2059
0.1637	8.86	12400	0.2376	0.2063
0.1594	9.15	12800	0.2307	0.1967
0.1537	9.44	13200	0.2274	0.2017
0.1498	9.72	13600	0.2322	0.2025
0.1516	10.01	14000	0.2323	0.1971
0.1336	10.29	14400	0.2249	0.1920
0.134	10.58	14800	0.2258	0.2055
0.138	10.86	15200	0.2250	0.1906
0.13	11.15	15600	0.2423	0.1920
0.1302	11.44	16000	0.2294	0.1849
0.1253	11.72	16400	0.2193	0.1889
0.1219	12.01	16800	0.2350	0.1869
0.1149	12.29	17200	0.2350	0.1903
0.1161	12.58	17600	0.2277	0.1899
0.1129	12.87	18000	0.2416	0.1855
0.1091	13.15	18400	0.2289	0.1815
0.1073	13.44	18800	0.2383	0.1799
0.1135	13.72	19200	0.2306	0.1819
0.1075	14.01	19600	0.2283	0.1742
0.0971	14.3	20000	0.2271	0.1851
0.0967	14.58	20400	0.2395	0.1809
0.1039	14.87	20800	0.2286	0.1808
0.0984	15.15	21200	0.2303	0.1821
0.0922	15.44	21600	0.2254	0.1745
0.0882	15.73	22000	0.2280	0.1836
0.0859	16.01	22400	0.2355	0.1779
0.0832	16.3	22800	0.2347	0.1740
0.0854	16.58	23200	0.2342	0.1739
0.0874	16.87	23600	0.2316	0.1719
0.0808	17.16	24000	0.2291	0.1730
0.0741	17.44	24400	0.2308	0.1674
0.0815	17.73	24800	0.2329	0.1655
0.0764	18.01	25200	0.2514	0.1711
0.0719	18.3	25600	0.2275	0.1578
0.0665	18.58	26000	0.2367	0.1614
0.0693	18.87	26400	0.2185	0.1593
0.0662	19.16	26800	0.2266	0.1678
0.0612	19.44	27200	0.2332	0.1602
0.0623	19.73	27600	0.2283	0.1670
0.0659	20.01	28000	0.2142	0.1626
0.0581	20.3	28400	0.2198	0.1646
0.063	20.59	28800	0.2251	0.1588
0.0618	20.87	29200	0.2186	0.1554
0.0549	21.16	29600	0.2251	0.1490
0.058	21.44	30000	0.2366	0.1559
0.0543	21.73	30400	0.2262	0.1535
0.0529	22.02	30800	0.2358	0.1519
0.053	22.3	31200	0.2198	0.1513
0.0552	22.59	31600	0.2234	0.1503
0.0492	22.87	32000	0.2191	0.1516
0.0488	23.16	32400	0.2321	0.1500
0.0479	23.45	32800	0.2152	0.1420
0.0453	23.73	33200	0.2202	0.1453
0.0485	24.02	33600	0.2235	0.1468
0.0451	24.3	34000	0.2192	0.1455
0.041	24.59	34400	0.2138	0.1438
0.0435	24.87	34800	0.2335	0.1423
0.0404	25.16	35200	0.2220	0.1409
0.0374	25.45	35600	0.2366	0.1437
0.0405	25.73	36000	0.2233	0.1428
0.0385	26.02	36400	0.2208	0.1414
0.0373	26.3	36800	0.2265	0.1420
0.0365	26.59	37200	0.2174	0.1402
0.037	26.88	37600	0.2249	0.1397
0.0379	27.16	38000	0.2173	0.1374
0.0354	27.45	38400	0.2212	0.1381
0.034	27.73	38800	0.2313	0.1364
0.0347	28.02	39200	0.2230	0.1356
0.0318	28.31	39600	0.2231	0.1357
0.0305	28.59	40000	0.2281	0.1366
0.0307	28.88	40400	0.2259	0.1342
0.0315	29.16	40800	0.2252	0.1332
0.0314	29.45	41200	0.2218	0.1328
0.0307	29.74	41600	0.2206	0.1322