wav2vec2-xls-r-1b-ca-lm

wav2vec2-xls-r-1b-ca-lm

基于先进技术的加泰罗尼亚语语音识别模型

此模型是在facebook/wav2vec2-xls-r-300m的基础上微调的,专注于加泰罗尼亚语自动语音识别。通过使用Mozilla Common Voice 8.0及其他数据集进行优化训练,该模型在加泰罗尼亚口音识别上展现出高效性能。适用于需要精准语音识别的场景,尽管资源稀缺的方言可能效果较差。模型精度得益于优化后的学习率和批量大小,是语音识别技术发展的重要里程碑。

wav2vec2-xls-r-1b-ca-lmHuggingfaceGithub开源项目模型训练过程模型评估数据集自动语音识别

项目简介:wav2vec2-xls-r-1b-ca-lm

项目背景

wav2vec2-xls-r-1b-ca-lm是一个自动语音识别模型,致力于识别加泰罗尼亚语。这款模型是在facebook的wav2vec2-xls-r-300m模型基础上进行了微调,主要使用了Mozilla基金会的Common Voice 8.0,加泰罗尼亚语的数据集,以及来自tv3_parla和parlament_parla的数据。

模型描述

此模型为facebook原有的wav2vec2-xls-r-1b模型的微调版本,其通过对现有大规模数据集的微调来提升在加泰罗尼亚语上的性能。

使用目的及局限性

这个模型适用于需要加泰罗尼亚语言识别的任务。但由于数据来源于众包数据集,模型可能受到数据偏差的影响。尤其是在一些加泰罗尼亚语的低资源方言上可能表现不佳。

训练与评估数据

模型训练过程中使用了来自Mozilla基金会和其他来源的多种数据集,并在训练集的测试部分进行了评估。模型评估结果采用了WER(词错误率)和CER(字符错误率)两种指标进行衡量,其在不同数据集测试中的WER和CER值略有不同。

训练过程

训练数据经过了预处理,以去除加泰罗尼亚语字母表之外的字符。数字转化为相应的文字形式是通过一段代码实现的,这段代码由@ccoreilly提供。

训练结果

训练过程及评估结果记录在Tensorboard中,用户可以查看详细的训练记录和训练曲线。

训练超参数

训练中使用了以下超参数:

  • 学习率:2e-05
  • 训练批次大小:8
  • 评估批次大小:8
  • 随机种子:42
  • 梯度累积步数:8
  • 总训练批次大小:64
  • 优化器:Adam,参数为betas=(0.9,0.999),epsilon=1e-08
  • 学习率调度器类型:linear
  • 学习率调度器预热步骤数:2000
  • 训练周期:10.0
  • 混合精度训练:原生AMP

框架版本

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

致谢

特别感谢@ccoreilly@gullabi为该模型提供的资源和知识支持,使得这个模型的开发成为可能。

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多