语言:

• 吉尔吉斯语 许可证: apache-2.0 标签:
• 自动语音识别
• 训练生成
• hf-asr排行榜
• mozilla-foundation/common_voice_8_0
• 鲁棒语音事件 数据集:
• mozilla-foundation/common_voice_8_0 基础模型: facebook/wav2vec2-xls-r-300m 模型索引:
• 名称: XLS-R-300M 吉尔吉斯语 CV8 结果:
  • 任务: 类型: 自动语音识别 名称: 自动语音识别 数据集: 名称: Common Voice 8 类型: mozilla-foundation/common_voice_8_0 参数: ky 指标:
    • 类型: wer 值: 19.01 名称: 测试WER（带语言模型）
    • 类型: cer 值: 5.38 名称: 测试CER（带语言模型）
    • 类型: wer 值: 31.28 名称: 测试WER（无语言模型）
    • 类型: cer 值: 7.66 名称: 测试CER（无语言模型）

XLS-R-300M 吉尔吉斯语 CV8

该模型是在MOZILLA-FOUNDATION/COMMON_VOICE_8_0 - KY数据集上对facebook/wav2vec2-xls-r-300m进行微调的版本。 在验证集上取得了以下结果:

• 损失: 0.5497
• WER: 0.2945
• CER: 0.0791

模型描述

关于模型架构的描述，请参见facebook/wav2vec2-xls-r-300m

模型词汇表由去除标点符号的西里尔字母组成。

kenlm语言模型是使用训练集和无效语料库分割的文本构建的。

预期用途与限制

该模型预计在以下低保真度使用场景中具有一定实用性:

• 视频字幕草稿
• 录制广播的索引

该模型不足以作为辅助功能的实时字幕替代品，也不应以侵犯Common Voice数据集贡献者或其他说话者隐私的方式使用。

训练与评估数据

训练数据使用了Common Voice官方分割中的train、dev和other组合。官方test分割的一半用作验证数据，完整的test集用于最终评估。

训练过程

在微调XLS-R模型的最终CTC/LM层以适应吉尔吉斯语CV8示例句子时，冻结了特征提取层。采用渐进式学习率，初始预热阶段为500步，最大值为0.0001，然后在剩余的8100步(300个epoch)中逐渐冷却回0。

训练超参数

训练过程中使用了以下超参数:

• 学习率: 0.0001
• 训练批次大小: 32
• 评估批次大小: 8
• 随机种子: 42
• 梯度累积步数: 4
• 总训练批次大小: 128
• 优化器: Adam，参数beta=(0.9,0.999)，epsilon=1e-08
• 学习率调度器类型: 线性
• 学习率预热步数: 500
• 训练轮数: 300.0
• 混合精度训练: 原生AMP

训练结果

框架版本

• Transformers 4.17.0.dev0
• Pytorch 1.10.2+cu102
• Datasets 1.18.3
• Tokenizers 0.11.0