Wav2vec2 Large Xls R 300m Br D2
基於facebook/wav2vec2-xls-r-300m在布列塔尼語(Common Voice 8.0)上微調的語音識別模型
下載量 21
發布時間 : 3/2/2022
模型概述
這是一個針對布列塔尼語優化的自動語音識別(ASR)模型,基於wav2vec 2.0架構的大規模XLS-R變體,在Common Voice 8.0的布列塔尼語數據集上微調。
模型特點
多語言預訓練基礎
基於XLS-R-300M多語言預訓練模型,具有強大的跨語言遷移能力
布列塔尼語優化
專門針對布列塔尼語進行微調,在Common Voice測試集上WER達到0.4977
高效訓練
使用混合精度訓練和梯度累積等技術優化訓練效率
模型能力
布列塔尼語語音識別
語音轉文本
使用案例
語音轉錄
布列塔尼語語音轉錄
將布列塔尼語語音內容轉換為文本
測試WER 0.4977,CER 0.1809
語言保護
少數民族語言數字化
幫助保護和數字化布列塔尼語等少數民族語言
🚀 wav2vec2-large-xls-r-300m-br-d2
本模型是 facebook/wav2vec2-xls-r-300m 在 MOZILLA-FOUNDATION/COMMON_VOICE_8_0 - BR 數據集上的微調版本。它在評估集上取得了以下成果,有助於提升語音識別的準確性和效率。
🚀 快速開始
本模型是在 MOZILLA-FOUNDATION/COMMON_VOICE_8_0 - BR 數據集上對 facebook/wav2vec2-xls-r-300m 進行微調得到的。在評估集上,它有如下表現:
- 損失值:1.1257
- 字錯率(Wer):0.4631
評估命令
- 在 mozilla-foundation/common_voice_8_0 測試分割集上進行評估
python eval.py --model_id DrishtiSharma/wav2vec2-large-xls-r-300m-br-d2 --dataset mozilla-foundation/common_voice_8_0 --config br --split test --log_outputs
- 在 speech-recognition-community-v2/dev_data 上進行評估 布列塔尼語在 speech-recognition-community-v2/dev_data 中不可用。
✨ 主要特性
- 微調優化:基於 facebook/wav2vec2-xls-r-300m 進行微調,適配特定數據集。
- 多指標評估:通過損失值、字錯率(Wer)等多個指標進行評估。
📚 詳細文檔
模型信息
屬性 | 詳情 |
---|---|
語言 | 巴西葡萄牙語(br) |
許可證 | Apache-2.0 |
標籤 | generated_from_trainer、robust-speech-event、hf-asr-leaderboard |
數據集 | mozilla-foundation/common_voice_8_0 |
評估指標 | 字錯率(wer) |
模型索引
- 名稱:wav2vec2-large-xls-r-300m-br-d2
- 結果:
- 任務:自動語音識別(Automatic Speech Recognition)
- 數據集:
- 類型:mozilla-foundation/common_voice_8_0
- 名稱:Common Voice 8
- 參數:br
- 評估指標:
- 類型:字錯率(wer)
- 值:0.49770598355954887
- 名稱:測試字錯率(Test WER)
- 名稱:測試字符錯誤率(Test CER)
- 類型:字符錯誤率(cer)
- 值:0.18090500890299605
- 任務:自動語音識別(Automatic Speech Recognition)
- 數據集:
- 名稱:Robust Speech Event - Dev Data
- 類型:speech-recognition-community-v2/dev_data
- 參數:br
- 評估指標:
- 名稱:測試字錯率(Test WER)
- 類型:字錯率(wer)
- 值:NA
- 名稱:測試字符錯誤率(Test CER)
- 類型:字符錯誤率(cer)
- 值:NA
訓練超參數
- 學習率(learning_rate):0.00034
- 訓練批次大小(train_batch_size):16
- 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):32
- 優化器(optimizer):Adam(β1=0.9,β2=0.999,ε=1e-08)
- 學習率調度器類型(lr_scheduler_type):線性(linear)
- 學習率調度器熱身步數(lr_scheduler_warmup_steps):750
- 訓練輪數(num_epochs):50
- 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(Wer) |
---|---|---|---|---|
14.0379 | 0.68 | 100 | 5.6808 | 1.0 |
3.9145 | 1.35 | 200 | 3.1970 | 1.0 |
3.0293 | 2.03 | 300 | 2.9513 | 1.0 |
2.0927 | 2.7 | 400 | 1.4545 | 0.8887 |
1.1556 | 3.38 | 500 | 1.0966 | 0.7564 |
0.9628 | 4.05 | 600 | 0.9808 | 0.7364 |
0.7869 | 4.73 | 700 | 1.0488 | 0.7355 |
0.703 | 5.41 | 800 | 0.9500 | 0.6881 |
0.6657 | 6.08 | 900 | 0.9309 | 0.6259 |
0.5663 | 6.76 | 1000 | 0.9133 | 0.6357 |
0.496 | 7.43 | 1100 | 0.9890 | 0.6028 |
0.4748 | 8.11 | 1200 | 0.9469 | 0.5894 |
0.4135 | 8.78 | 1300 | 0.9270 | 0.6045 |
0.3579 | 9.46 | 1400 | 0.8818 | 0.5708 |
0.353 | 10.14 | 1500 | 0.9244 | 0.5781 |
0.334 | 10.81 | 1600 | 0.9009 | 0.5638 |
0.2917 | 11.49 | 1700 | 1.0132 | 0.5828 |
0.29 | 12.16 | 1800 | 0.9696 | 0.5668 |
0.2691 | 12.84 | 1900 | 0.9811 | 0.5455 |
0.25 | 13.51 | 2000 | 0.9951 | 0.5624 |
0.2467 | 14.19 | 2100 | 0.9653 | 0.5573 |
0.2242 | 14.86 | 2200 | 0.9714 | 0.5378 |
0.2066 | 15.54 | 2300 | 0.9829 | 0.5394 |
0.2075 | 16.22 | 2400 | 1.0547 | 0.5520 |
0.1923 | 16.89 | 2500 | 1.0014 | 0.5397 |
0.1919 | 17.57 | 2600 | 0.9978 | 0.5477 |
0.1908 | 18.24 | 2700 | 1.1064 | 0.5397 |
0.157 | 18.92 | 2800 | 1.0629 | 0.5238 |
0.159 | 19.59 | 2900 | 1.0642 | 0.5321 |
0.1652 | 20.27 | 3000 | 1.0207 | 0.5328 |
0.141 | 20.95 | 3100 | 0.9948 | 0.5312 |
0.1417 | 21.62 | 3200 | 1.0338 | 0.5328 |
0.1514 | 22.3 | 3300 | 1.0513 | 0.5313 |
0.1365 | 22.97 | 3400 | 1.0357 | 0.5291 |
0.1319 | 23.65 | 3500 | 1.0587 | 0.5167 |
0.1298 | 24.32 | 3600 | 1.0636 | 0.5236 |
0.1245 | 25.0 | 3700 | 1.1367 | 0.5280 |
0.1114 | 25.68 | 3800 | 1.0633 | 0.5200 |
0.1088 | 26.35 | 3900 | 1.0495 | 0.5210 |
0.1175 | 27.03 | 4000 | 1.0897 | 0.5095 |
0.1043 | 27.7 | 4100 | 1.0580 | 0.5309 |
0.0951 | 28.38 | 4200 | 1.0448 | 0.5067 |
0.1011 | 29.05 | 4300 | 1.0665 | 0.5137 |
0.0889 | 29.73 | 4400 | 1.0579 | 0.5026 |
0.0833 | 30.41 | 4500 | 1.0740 | 0.5037 |
0.0889 | 31.08 | 4600 | 1.0933 | 0.5083 |
0.0784 | 31.76 | 4700 | 1.0715 | 0.5089 |
0.0767 | 32.43 | 4800 | 1.0658 | 0.5049 |
0.0769 | 33.11 | 4900 | 1.1118 | 0.4979 |
0.0722 | 33.78 | 5000 | 1.1413 | 0.4986 |
0.0709 | 34.46 | 5100 | 1.0706 | 0.4885 |
0.0664 | 35.14 | 5200 | 1.1217 | 0.4884 |
0.0648 | 35.81 | 5300 | 1.1298 | 0.4941 |
0.0657 | 36.49 | 5400 | 1.1330 | 0.4920 |
0.0582 | 37.16 | 5500 | 1.0598 | 0.4835 |
0.0602 | 37.84 | 5600 | 1.1097 | 0.4943 |
0.0598 | 38.51 | 5700 | 1.0976 | 0.4876 |
0.0547 | 39.19 | 5800 | 1.0734 | 0.4825 |
0.0561 | 39.86 | 5900 | 1.0926 | 0.4850 |
0.0516 | 40.54 | 6000 | 1.1579 | 0.4751 |
0.0478 | 41.22 | 6100 | 1.1384 | 0.4706 |
0.0396 | 41.89 | 6200 | 1.1462 | 0.4739 |
0.0472 | 42.57 | 6300 | 1.1277 | 0.4732 |
0.0447 | 43.24 | 6400 | 1.1517 | 0.4752 |
0.0423 | 43.92 | 6500 | 1.1219 | 0.4784 |
0.0426 | 44.59 | 6600 | 1.1311 | 0.4724 |
0.0391 | 45.27 | 6700 | 1.1135 | 0.4692 |
0.0362 | 45.95 | 6800 | 1.0878 | 0.4645 |
0.0329 | 46.62 | 6900 | 1.1137 | 0.4668 |
0.0356 | 47.3 | 7000 | 1.1233 | 0.4687 |
0.0328 | 47.97 | 7100 | 1.1238 | 0.4653 |
0.0323 | 48.65 | 7200 | 1.1307 | 0.4646 |
0.0325 | 49.32 | 7300 | 1.1242 | 0.4645 |
0.03 | 50.0 | 7400 | 1.1257 | 0.4631 |
框架版本
- Transformers:4.16.2
- Pytorch:1.10.0+cu111
- Datasets:1.18.3
- Tokenizers:0.11.0
📄 許可證
本模型採用 Apache-2.0 許可證。
Voice Activity Detection
MIT
基於pyannote.audio 2.1版本的語音活動檢測模型,用於識別音頻中的語音活動時間段
語音識別
V
pyannote
7.7M
181
Wav2vec2 Large Xlsr 53 Portuguese
Apache-2.0
這是一個針對葡萄牙語語音識別任務微調的XLSR-53大模型,基於Common Voice 6.1數據集訓練,支持葡萄牙語語音轉文本。
語音識別 其他
W
jonatasgrosman
4.9M
32
Whisper Large V3
Apache-2.0
Whisper是由OpenAI提出的先進自動語音識別(ASR)和語音翻譯模型,在超過500萬小時的標註數據上訓練,具有強大的跨數據集和跨領域泛化能力。
語音識別 支持多種語言
W
openai
4.6M
4,321
Whisper Large V3 Turbo
MIT
Whisper是由OpenAI開發的最先進的自動語音識別(ASR)和語音翻譯模型,經過超過500萬小時標記數據的訓練,在零樣本設置下展現出強大的泛化能力。
語音識別
Transformers 支持多種語言

W
openai
4.0M
2,317
Wav2vec2 Large Xlsr 53 Russian
Apache-2.0
基於facebook/wav2vec2-large-xlsr-53模型微調的俄語語音識別模型,支持16kHz採樣率的語音輸入
語音識別 其他
W
jonatasgrosman
3.9M
54
Wav2vec2 Large Xlsr 53 Chinese Zh Cn
Apache-2.0
基於facebook/wav2vec2-large-xlsr-53模型微調的中文語音識別模型,支持16kHz採樣率的語音輸入。
語音識別 中文
W
jonatasgrosman
3.8M
110
Wav2vec2 Large Xlsr 53 Dutch
Apache-2.0
基於facebook/wav2vec2-large-xlsr-53微調的荷蘭語語音識別模型,在Common Voice和CSS10數據集上訓練,支持16kHz音頻輸入。
語音識別 其他
W
jonatasgrosman
3.0M
12
Wav2vec2 Large Xlsr 53 Japanese
Apache-2.0
基於facebook/wav2vec2-large-xlsr-53模型微調的日語語音識別模型,支持16kHz採樣率的語音輸入
語音識別 日語
W
jonatasgrosman
2.9M
33
Mms 300m 1130 Forced Aligner
基於Hugging Face預訓練模型的文本與音頻強制對齊工具,支持多種語言,內存效率高
語音識別
Transformers 支持多種語言

M
MahmoudAshraf
2.5M
50
Wav2vec2 Large Xlsr 53 Arabic
Apache-2.0
基於facebook/wav2vec2-large-xlsr-53微調的阿拉伯語語音識別模型,在Common Voice和阿拉伯語語音語料庫上訓練
語音識別 阿拉伯語
W
jonatasgrosman
2.3M
37
精選推薦AI模型
Llama 3 Typhoon V1.5x 8b Instruct
專為泰語設計的80億參數指令模型,性能媲美GPT-3.5-turbo,優化了應用場景、檢索增強生成、受限生成和推理任務
大型語言模型
Transformers 支持多種語言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一個基於SODA數據集訓練的超小型對話模型,專為邊緣設備推理設計,體積僅為Cosmo-3B模型的2%左右。
對話系統
Transformers 英語

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基於RoBERTa架構的中文抽取式問答模型,適用於從給定文本中提取答案的任務。
問答系統 中文
R
uer
2,694
98