viet_tones_model開源越南語聲調識別模型 - 免費部署實現高準確率聲調識別

首頁

Viet Tones Model

由StevenLe456開發

基於wav2vec2-base-vietnamese-250h微調的越南語聲調識別模型，準確率59.72%

語音識別

Transformers

#越南語音調識別 #wav2vec2微調 #低資源語音處理

下載量 22

發布時間 : 8/10/2023

模型概述

該模型專注于越南語語音中的聲調識別任務，適用於語音處理和分析場景

模型特點

越南語聲調識別

專門針對越南語六種聲調的分類能力

基於預訓練模型微調

在250小時越南語語音數據預訓練的wav2vec2基礎上優化

模型能力

越南語語音分析

聲調特徵提取

語音分類

使用案例

語音處理

越南語發音評估

用於語言學習應用中的發音準確度評估

可識別59.72%的聲調

語音轉文本預處理

作為越南語ASR系統的前置聲調處理模塊

🚀 越南語聲調模型

本模型是一個基於語音處理的模型，它在預訓練模型基礎上進行微調，可用於越南語聲調相關的任務，在評估集上有一定的準確性表現。

📚 詳細文檔

模型概述

此模型是 nguyenvulebinh/wav2vec2-base-vietnamese-250h 在未知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：0.9783
準確率：0.5972

訓練和評估數據

文檔未提供相關詳細信息。

訓練流程

訓練超參數

訓練過程中使用了以下超參數：

學習率：5e-05
訓練批次大小：32
評估批次大小：32
隨機種子：42
梯度累積步數：4
總訓練批次大小：128
優化器：Adam（β1 = 0.9，β2 = 0.999，ε = 1e-08）
學習率調度器類型：線性
學習率調度器熱身比例：0.1
訓練輪數：110

訓練結果

訓練損失	輪數	步數	驗證損失	準確率
無記錄	0.89	6	1.7955	0.1296
1.7924	1.93	13	1.7938	0.1343
1.7919	2.96	20	1.7916	0.2037
1.7919	4.0	27	1.7907	0.1713
1.7903	4.89	33	1.7886	0.1852
1.7883	5.93	40	1.7798	0.2269
1.7883	6.96	47	1.7487	0.25
1.7717	8.0	54	1.7104	0.2407
1.726	8.89	60	1.6488	0.2685
1.726	9.93	67	1.5835	0.2731
1.6651	10.96	74	1.6020	0.2778
1.6332	12.0	81	1.5351	0.2778
1.6332	12.89	87	1.4977	0.2963
1.5708	13.93	94	1.4903	0.2870
1.5543	14.96	101	1.4671	0.2731
1.5543	16.0	108	1.3992	0.3194
1.4872	16.89	114	1.3854	0.3009
1.4861	17.93	121	1.3411	0.3426
1.4861	18.96	128	1.3142	0.3472
1.4281	20.0	135	1.3021	0.4259
1.38	20.89	141	1.2657	0.4028
1.38	21.93	148	1.2372	0.4352
1.3472	22.96	155	1.2341	0.4815
1.3029	24.0	162	1.1815	0.4306
1.3029	24.89	168	1.1797	0.4954
1.3042	25.93	175	1.1403	0.4583
1.281	26.96	182	1.1349	0.4722
1.281	28.0	189	1.1369	0.4907
1.2614	28.89	195	1.0999	0.4954
1.2133	29.93	202	1.1677	0.4676
1.2133	30.96	209	1.0785	0.5
1.2527	32.0	216	1.1092	0.4861
1.1722	32.89	222	1.0424	0.5185
1.1722	33.93	229	1.0791	0.4907
1.1225	34.96	236	1.0447	0.4907
1.1447	36.0	243	1.0777	0.4583
1.1447	36.89	249	1.0141	0.4954
1.1484	37.93	256	1.0196	0.5324
1.11	38.96	263	0.9791	0.5417
1.046	40.0	270	0.9798	0.5231
1.046	40.89	276	0.9366	0.5694
1.0582	41.93	283	0.9645	0.5602
1.0569	42.96	290	0.9764	0.5694
1.0569	44.0	297	1.0340	0.5324
1.028	44.89	303	0.9969	0.5463
1.04	45.93	310	1.0251	0.5185
1.04	46.96	317	1.0447	0.5417
0.9889	48.0	324	0.9487	0.5324
1.0055	48.89	330	1.0147	0.5
1.0055	49.93	337	1.0015	0.5046
0.9955	50.96	344	0.9763	0.5278
0.9382	52.0	351	1.0306	0.5278
0.9382	52.89	357	0.9970	0.5463
0.9601	53.93	364	0.9487	0.5741
0.9736	54.96	371	0.9658	0.5463
0.9736	56.0	378	0.9789	0.5602
0.9237	56.89	384	0.9940	0.5463
0.9588	57.93	391	0.9778	0.5463
0.9588	58.96	398	0.9789	0.5648
0.9393	60.0	405	0.9612	0.5602
0.9291	60.89	411	0.9141	0.5556
0.9291	61.93	418	0.9770	0.5463
0.929	62.96	425	0.9385	0.5556
0.9448	64.0	432	0.9504	0.5463
0.9448	64.89	438	0.9984	0.5463
0.9426	65.93	445	0.9228	0.5602
0.8949	66.96	452	0.9729	0.5509
0.8949	68.0	459	0.9825	0.5602
0.9041	68.89	465	0.9769	0.5509
0.8828	69.93	472	0.9914	0.5648
0.8828	70.96	479	0.9838	0.5509
0.8874	72.0	486	0.9646	0.5741
0.8723	72.89	492	1.0682	0.5324
0.8723	73.93	499	1.0629	0.5417
0.8953	74.96	506	0.9770	0.5648
0.879	76.0	513	1.0038	0.5787
0.879	76.89	519	1.0529	0.5648
0.896	77.93	526	1.0300	0.5602
0.8519	78.96	533	1.0451	0.5463
0.8414	80.0	540	1.0755	0.5509
0.8414	80.89	546	1.0287	0.5556
0.8342	81.93	553	1.0140	0.5602
0.8653	82.96	560	1.0787	0.5463
0.8653	84.0	567	1.0762	0.5509
0.8357	84.89	573	1.0307	0.5741
0.8455	85.93	580	1.0171	0.5648
0.8455	86.96	587	0.9886	0.5880
0.8238	88.0	594	0.9806	0.5741
0.8613	88.89	600	1.0177	0.5833
0.8613	89.93	607	1.0273	0.5602
0.8265	90.96	614	0.9857	0.5926
0.831	92.0	621	0.9701	0.5972
0.831	92.89	627	0.9726	0.5972
0.8247	93.93	634	0.9765	0.5880
0.8041	94.96	641	0.9801	0.5926
0.8041	96.0	648	0.9796	0.5926
0.8387	96.89	654	0.9790	0.5972
0.7906	97.78	660	0.9783	0.5972