wav2vec2-large-xlsr-coraa-portuguese-cv7開源模型 - 助力精準葡萄牙語語音識別

Wav2vec2 Large Xlsr Coraa Portuguese Cv7

由lgris開發

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

下載量 24

發布時間 : 3/2/2022

模型概述

該模型是針對葡萄牙語優化的自動語音識別(ASR)系統，基於wav2vec2架構，在Common Voice 7.0數據集上進行了微調。

高精度葡萄牙語識別

在Common Voice葡萄牙語數據集上微調，詞錯誤率(WER)達到13.39%

基於XLSR架構

利用跨語言語音表示學習(XLSR)的預訓練優勢

魯棒語音處理

能夠處理各種語音質量和口音變化

葡萄牙語語音轉文本

語音識別

語音轉錄

語音轉錄

葡萄牙語語音轉錄

將葡萄牙語語音內容轉換為文本

詞錯誤率13.39%

語音助手

葡萄牙語語音指令識別

用於葡萄牙語語音助手系統的語音指令識別

該模型是基於 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。

訓練過程中使用了以下超參數：

訓練損失	輪數	步數	驗證損失	字錯率（Wer）
0.4779	0.13	100	0.2620	0.2020
0.4505	0.26	200	0.2339	0.1998
0.4285	0.39	300	0.2507	0.2109
0.4148	0.52	400	0.2311	0.2101
0.4072	0.65	500	0.2278	0.1899
0.388	0.78	600	0.2193	0.1898
0.3952	0.91	700	0.2108	0.1901
0.3851	1.04	800	0.2121	0.1788
0.3496	1.17	900	0.2154	0.1776
0.3063	1.3	1000	0.2095	0.1730
0.3376	1.43	1100	0.2129	0.1801
0.3273	1.56	1200	0.2132	0.1776
0.3347	1.69	1300	0.2054	0.1698
0.323	1.82	1400	0.1986	0.1724
0.3079	1.95	1500	0.2005	0.1701
0.3029	2.08	1600	0.2159	0.1644
0.2694	2.21	1700	0.1992	0.1678
0.2733	2.34	1800	0.2032	0.1657
0.269	2.47	1900	0.2056	0.1592
0.2869	2.6	2000	0.2058	0.1616
0.2813	2.73	2100	0.1868	0.1584
0.2616	2.86	2200	0.1841	0.1550
0.2809	2.99	2300	0.1902	0.1577
0.2598	3.12	2400	0.1910	0.1514
0.24	3.25	2500	0.1971	0.1555
0.2481	3.38	2600	0.1853	0.1537
0.2437	3.51	2700	0.1897	0.1496
0.2384	3.64	2800	0.1842	0.1495
0.2405	3.77	2900	0.1884	0.1500
0.2372	3.9	3000	0.1950	0.1548
0.229	4.03	3100	0.1928	0.1477
0.2047	4.16	3200	0.1891	0.1472
0.2102	4.29	3300	0.1930	0.1473
0.199	4.42	3400	0.1914	0.1456
0.2121	4.55	3500	0.1840	0.1437
0.211	4.67	3600	0.1843	0.1403
0.2072	4.8	3700	0.1836	0.1428
0.2224	4.93	3800	0.1747	0.1412
0.1974	5.06	3900	0.1813	0.1416
0.1895	5.19	4000	0.1869	0.1406
0.1763	5.32	4100	0.1830	0.1394
0.2001	5.45	4200	0.1775	0.1394
0.1909	5.58	4300	0.1806	0.1373
0.1812	5.71	4400	0.1784	0.1359
0.1737	5.84	4500	0.1778	0.1353
0.1915	5.97	4600	0.1777	0.1349
0.1921	6.1	4700	0.1784	0.1359
0.1805	6.23	4800	0.1757	0.1348
0.1742	6.36	4900	0.1771	0.1341
0.1709	6.49	5000	0.1777	0.1339