wav2vec2-large-xlsr-53-german-cv9开源模型 - 免费实现德语自动语音识别

Wav2vec2 Large Xlsr 53 German Cv9

由 oliverguhr 开发

这是一个基于Facebook的wav2vec2-large-xlsr-53模型在德语Common Voice 9.0数据集上微调的自动语音识别(ASR)模型。

下载量 98

发布时间 : 6/13/2022

模型简介

该模型专门用于德语语音识别任务，在Common Voice 9.0德语测试集上取得了WER 9.48和CER 1.92的优异表现。

高性能德语语音识别

在Common Voice 9.0德语测试集上WER仅为9.48，CER为1.92

基于大规模预训练模型

基于Facebook的wav2vec2-large-xlsr-53模型微调，继承了其强大的语音表示能力

支持语言模型融合

结合语言模型(LM)后，WER可进一步降低至7.49

德语语音识别

语音转文本

自动语音转录

语音转录

德语语音转录

将德语语音内容转换为文本

WER 9.48, CER 1.92

语音助手

德语语音指令识别

用于德语语音助手中的语音指令识别

该模型是在MOZILLA - FOUNDATION/COMMON_VOICE_9_0 - DE数据集上对./facebook/wav2vec2-large-xlsr-53进行微调后的版本，可用于德语的自动语音识别任务。

该模型可直接用于德语的自动语音识别任务，你可以基于Hugging Face的Transformers库加载并使用该模型。

训练损失	轮数	步数	验证损失	评估WER
0.4129	1.0	3557	0.3015	0.2499
0.2121	2.0	7114	0.1596	0.1567
0.1455	3.0	10671	0.1377	0.1354
0.1436	4.0	14228	0.1301	0.1282
0.1144	5.0	17785	0.1225	0.1245
0.1219	6.0	21342	0.1254	0.1208
0.104	7.0	24899	0.1198	0.1232
0.1016	8.0	28456	0.1149	0.1174
0.1093	9.0	32013	0.1186	0.1186
0.0858	10.0	35570	0.1182	0.1164
0.102	11.0	39127	0.1191	0.1186
0.0834	12.0	42684	0.1161	0.1096
0.0916	13.0	46241	0.1147	0.1107
0.0811	14.0	49798	0.1174	0.1136
0.0814	15.0	53355	0.1132	0.1114
0.0865	16.0	56912	0.1134	0.1097
0.0701	17.0	60469	0.1096	0.1054
0.0891	18.0	64026	0.1110	0.1076
0.071	19.0	67583	0.1141	0.1074
0.0726	20.0	71140	0.1094	0.1093
0.0647	21.0	74697	0.1088	0.1095
0.0643	22.0	78254	0.1105	0.1044
0.0764	23.0	81811	0.1072	0.1042
0.0605	24.0	85368	0.1095	0.1026
0.0722	25.0	88925	0.1144	0.1066
0.0597	26.0	92482	0.1087	0.1022
0.062	27.0	96039	0.1073	0.1027
0.0536	28.0	99596	0.1068	0.1027
0.0616	29.0	103153	0.1097	0.1037
0.0642	30.0	106710	0.1117	0.1020
0.0555	31.0	110267	0.1109	0.0990
0.0632	32.0	113824	0.1104	0.0977
0.0482	33.0	117381	0.1108	0.0958
0.0601	34.0	120938	0.1095	0.0957
0.0508	35.0	124495	0.1079	0.0973
0.0526	36.0	128052	0.1068	0.0967
0.0487	37.0	131609	0.1081	0.0966
0.0495	38.0	135166	0.1099	0.0956
0.0528	39.0	138723	0.1091	0.0923
0.0439	40.0	142280	0.1111	0.0928
0.0467	41.0	145837	0.1131	0.0943
0.0407	42.0	149394	0.1115	0.0944
0.046	43.0	152951	0.1106	0.0935
0.0447	44.0	156508	0.1083	0.0919
0.0434	45.0	160065	0.1093	0.0909
0.0472	46.0	163622	0.1092	0.0921
0.0414	47.0	167179	0.1106	0.0922
0.0501	48.0	170736	0.1094	0.0918
0.0388	49.0	174293	0.1099	0.0918
0.0428	50.0	177850	0.1103	0.0915