wav2vec2-large-xlsr-coraa-portuguese-cv7开源模型 - 助力精准葡萄牙语语音识别

Wav2vec2 Large Xlsr Coraa Portuguese Cv7

由 lgris 开发

基于Edresson/wav2vec2-large-xlsr-coraa-portuguese在common_voice数据集上微调的葡萄牙语语音识别模型

下载量 24

发布时间 : 3/2/2022

模型简介

该模型是针对葡萄牙语优化的自动语音识别(ASR)系统，基于wav2vec2架构，在Common Voice 7.0数据集上进行了微调。

高精度葡萄牙语识别

在Common Voice葡萄牙语数据集上微调，词错误率(WER)达到13.39%

基于XLSR架构

利用跨语言语音表示学习(XLSR)的预训练优势

鲁棒语音处理

能够处理各种语音质量和口音变化

葡萄牙语语音转文本

语音识别

语音转录

语音转录

葡萄牙语语音转录

将葡萄牙语语音内容转换为文本

词错误率13.39%

语音助手

葡萄牙语语音指令识别

用于葡萄牙语语音助手系统的语音指令识别

该模型是基于 Edresson/wav2vec2-large-xlsr-coraa-portuguese 在 common_voice 数据集上进行微调的版本。它在评估集上取得了以下结果：

更多信息待补充。

训练过程中使用了以下超参数：

训练损失	轮数	步数	验证损失	字错率（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