20220517 150219

由 lilitket 开发

该模型是基于facebook/wav2vec2-xls-r-300m微调的语音识别模型，支持自动语音识别(ASR)任务。

语音识别

Transformers

开源协议:Apache-2.0 #语音识别 #多语言支持 #低词错误率

下载量 29

发布时间 : 5/17/2022

模型介绍

内容详情

替代品

模型简介

基于wav2vec2-xls-r-300m架构的语音识别模型，经过微调后在评估集上取得了0.2344的词错误率和0.0434的字符错误率。

模型特点

低词错误率

在评估集上取得了0.2344的词错误率，表现良好

低字符错误率

在评估集上取得了0.0434的字符错误率，识别精度高

基于大规模预训练模型

基于facebook/wav2vec2-xls-r-300m模型微调，继承了其强大的语音特征提取能力

模型能力

语音转文本

自动语音识别

使用案例

语音转录

会议记录自动转录

将会议录音自动转换为文字记录

准确率较高，词错误率23.44%

语音笔记转换

将语音笔记转换为可编辑的文本

字符错误率仅4.34%

license: apache-2.0 tags:

训练生成 model-index:
name: 20220517-150219 results: []

20220517-150219

该模型是基于facebook/wav2vec2-xls-r-300m在None数据集上微调的版本。在评估集上取得如下结果：

损失值：0.2426
词错误率(WER)：0.2344
字符错误率(CER)：0.0434

模型描述

需补充更多信息

使用场景与限制

需补充更多信息

训练与评估数据

需补充更多信息

训练流程

训练超参数

训练过程中使用的超参数如下：

学习率：0.0001
训练批大小：4
评估批大小：8
随机种子：1339
优化器：Adam（beta1=0.9，beta2=0.999，epsilon=1e-08）
学习率调度器类型：线性
学习率预热步数：100
训练轮次：2

训练结果

训练损失	训练轮次	步数	验证损失	词错误率	字符错误率
5.3867	0.02	200	3.2171	1.0	1.0
3.1288	0.04	400	2.9394	1.0	1.0
1.8298	0.06	600	0.9138	0.8416	0.2039
0.9751	0.07	800	0.6568	0.6928	0.1566
0.7934	0.09	1000	0.5314	0.6225	0.1277
0.663	0.11	1200	0.4759	0.5730	0.1174
0.617	0.13	1400	0.4515	0.5578	0.1118
0.5473	0.15	1600	0.4017	0.5157	0.1004
0.5283	0.17	1800	0.3872	0.5094	0.0982
0.4893	0.18	2000	0.3725	0.4860	0.0932
0.495	0.2	2200	0.3580	0.4542	0.0878
0.4438	0.22	2400	0.3443	0.4366	0.0858
0.4425	0.24	2600	0.3428	0.4284	0.0865
0.4293	0.26	2800	0.3329	0.4221	0.0819
0.3779	0.28	3000	0.3278	0.4146	0.0794
0.4116	0.29	3200	0.3242	0.4107	0.0757
0.3912	0.31	3400	0.3217	0.4040	0.0776
0.391	0.33	3600	0.3127	0.3955	0.0764
0.3696	0.35	3800	0.3153	0.3892	0.0748
0.3576	0.37	4000	0.3156	0.3846	0.0737
0.3553	0.39	4200	0.3024	0.3814	0.0726
0.3394	0.4	4400	0.3022	0.3637	0.0685
0.3345	0.42	4600	0.3130	0.3641	0.0698
0.3357	0.44	4800	0.2913	0.3602	0.0701
0.3411	0.46	5000	0.2941	0.3514	0.0674
0.3031	0.48	5200	0.3043	0.3613	0.0685
0.3305	0.5	5400	0.2967	0.3468	0.0657
0.3004	0.51	5600	0.2723	0.3309	0.0616
0.31	0.53	5800	0.2835	0.3404	0.0648
0.3224	0.55	6000	0.2743	0.3358	0.0622
0.3261	0.57	6200	0.2803	0.3358	0.0620
0.305	0.59	6400	0.2835	0.3397	0.0629
0.3025	0.61	6600	0.2684	0.3340	0.0639
0.2952	0.62	6800	0.2654	0.3256	0.0617
0.2903	0.64	7000	0.2588	0.3174	0.0596
0.2907	0.66	7200	0.2789	0.3256	0.0623
0.2887	0.68	7400	0.2634	0.3142	0.0605
0.291	0.7	7600	0.2644	0.3097	0.0582
0.2646	0.72	7800	0.2753	0.3089	0.0582
0.2683	0.73	8000	0.2703	0.3036	0.0574
0.2808	0.75	8200	0.2544	0.2994	0.0561
0.2724	0.77	8400	0.2584	0.3051	0.0592
0.2516	0.79	8600	0.2575	0.2959	0.0557
0.2561	0.81	8800	0.2594	0.2945	0.0552
0.264	0.83	9000	0.2607	0.2987	0.0552
0.2383	0.84	9200	0.2641	0.2983	0.0546
0.2548	0.86	9400	0.2714	0.2930	0.0538
0.2284	0.88	9600	0.2542	0.2945	0.0555
0.2354	0.9	9800	0.2564	0.2937	0.0551
0.2624	0.92	10000	0.2466	0.2891	0.0542
0.24	0.94	10200	0.2404	0.2895	0.0528
0.2372	0.95	10400	0.2590	0.2782	0.0518
0.2357	0.97	10600	0.2629	0.2867	0.0531
0.2439	0.99	10800	0.2722	0.2902	0.0556
0.2204	1.01	11000	0.2618	0.2856	0.0535
0.2043	1.03	11200	0.2662	0.2789	0.0520
0.2081	1.05	11400	0.2744	0.2831	0.0532
0.199	1.06	11600	0.2586	0.2800	0.0519
0.2063	1.08	11800	0.2711	0.2842	0.0531
0.2116	1.1	12000	0.2463	0.2782	0.0529
0.2095	1.12	12200	0.2371	0.2757	0.0510
0.1786	1.14	12400	0.2693	0.2768	0.0520
0.1999	1.16	12600	0.2625	0.2793	0.0513
0.1985	1.17	12800	0.2734	0.2796	0.0532
0.187	1.19	13000	0.2654	0.2676	0.0514
0.188	1.21	13200	0.2548	0.2648	0.0489
0.1853	1.23	13400	0.2684	0.2641	0.0509
0.197	1.25	13600	0.2589	0.2662	0.0507
0.1873	1.27	13800	0.2633	0.2686	0.0516
0.179	1.28	14000	0.2682	0.2598	0.0508
0.2008	1.3	14200	0.2505	0.2609	0.0493
0.1802	1.32	14400	0.2470	0.2598	0.0493
0.1903	1.34	14600	0.2572	0.2672	0.0500
0.1852	1.36	14800	0.2576	0.2633	0.0491
0.1933	1.38	15000	0.2649	0.2602	0.0493
0.191	1.4	15200	0.2578	0.2612	0.0484
0.1863	1.41	15400	0.2572	0.2566	0.0488
0.1785	1.43	15600	0.2661	0.2520	0.0478
0.1755	1.45	15800	0.2637	0.2605	0.0485
0.1677	1.47	16000	0.2481	0.2559	0.0478
0.1633	1.49	16200	0.2584	0.2531	0.0476
0.166	1.51	16400	0.2576	0.2595	0.0487
0.1798	1.52	16600	0.2517	0.2570	0.0488
0.1879	1.54	16800	0.2555	0.2531	0.0479
0.1636	1.56	17000	0.2419	0.2467	0.0464
0.1706	1.58	17200	0.2426	0.2457	0.0463
0.1763	1.6	17400	0.2427	0.2496	0.0467
0.1687	1.62	17600	0.2507	0.2496	0.0467
0.1662	1.63	17800	0.2553	0.2474	0.0466
0.1637	1.65	18000	0.2576	0.2450	0.0461
0.1744	1.67	18200	0.2394	0.2414	0.0454
0.1597	1.69	18400	0.2442	0.2443	0.0452
0.1606	1.71	18600	0.2488	0.2435	0.0453
0.1558	1.73	18800	0.2563	0.2464	0.0464
0.172	1.74	19000	0.2501	0.2411	0.0452
0.1594	1.76	19200	0.2481	0.2460	0.0458
0.1732	1.78	19400	0.2427	0.2414	0.0443
0.1706	1.8	19600	0.2367	0.2418	0.0446
0.1724	1.82	19800	0.2376	0.2390	0.0444
0.1621	1.84	20000	0.2430	0.2382	0.0438
0.1501	1.85	20200	0.2445	0.2404	0.0438
0.1526	1.87	20400	0.2472	0.2361	0.0436
0.1756	1.89	20600	0.2431	0.2400	0.0437
0.1598	1.91	20800	0.2472	0.2368	0.0439
0.1554	1.93	21000	0.2431	0.2347	0.0435
0.1354	1.95	21200	0.2427	0.2354	0.0438
0.1587	1.96	21400	0.2427	0.2347	0.0435
0.1541	1.98	21600	0.2426	0.2344	0.0434