hubert-large-ll60k-librispeech-multi-gpu

r-sharma-coder/hubert-large-ll60k-librispeech-multi-gpu

hubert-large-ll60k-librispeech-multi-gpu is a automatic speech recognition model from r-sharma-coder. Use it when you need speech turned into text. It is set up for transformers. The card lists the license as apache-2.0.

should probably proofread and complete it, then remove this comment. --

Downloads · 30 days

21% of all-time downloads

All-time downloads

Public

Parameters

315M

45.4 GB on disk

Likes

Public

Hugging Face

Repo makeup

Click a slice to open those files.

.safetensors1.3 GB · 100%

At a glance

Task: Automatic Speech Recognition
Library: transformers
License: apache-2.0
Model type: hubert
Access: Public
Created: Mar 14, 2024
Updated: Mar 15, 2024
SHA: 3478e6cb

Base models

facebook/hubert-large-ll60k

Model card

From the Hugging Face model README

hubert-large-ll60k-librispeech-multi-gpu

This model is a fine-tuned version of facebook/hubert-large-ll60k on the MACABDUL9/LIBRISPEECH-HUBERT-DISCRETE-TOKENS - NA dataset. It achieves the following results on the evaluation set:

Loss: 0.0616
Wer: 0.0460

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 0.0003
train_batch_size: 2
eval_batch_size: 8
seed: 42
distributed_type: multi-GPU
num_devices: 4
total_train_batch_size: 8
total_eval_batch_size: 32
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 500
num_epochs: 4.0

Training results

Training Loss	Epoch	Step	Validation Loss	Wer
2.9692	0.03	100	2.9336	1.0
2.7936	0.06	200	2.8514	1.0
0.8892	0.08	300	0.7173	0.5438
0.4725	0.11	400	0.4293	0.3818
0.5347	0.14	500	0.3474	0.3284
0.3143	0.17	600	0.2966	0.2852
0.4144	0.2	700	0.2498	0.2383
0.516	0.22	800	0.2156	0.2174
0.2537	0.25	900	0.1810	0.1877
0.3008	0.28	1000	0.1699	0.1737
0.3078	0.31	1100	0.1485	0.1600
0.2922	0.34	1200	0.1444	0.1448
0.2303	0.36	1300	0.1319	0.1334
0.1858	0.39	1400	0.1286	0.1353
0.0837	0.42	1500	0.1162	0.1262
0.177	0.45	1600	0.1097	0.1100
0.3476	0.48	1700	0.1140	0.1114
0.2538	0.5	1800	0.1118	0.1086
0.1296	0.53	1900	0.1052	0.1016
0.3905	0.56	2000	0.1034	0.0950
0.2085	0.59	2100	0.1001	0.1003
0.3563	0.62	2200	0.0974	0.0958
0.1258	0.64	2300	0.1067	0.1018
0.0972	0.67	2400	0.0938	0.0930
0.2588	0.7	2500	0.0913	0.0861
0.2066	0.73	2600	0.0946	0.0902
0.1706	0.76	2700	0.0944	0.0956
0.1129	0.78	2800	0.0918	0.0904
0.1805	0.81	2900	0.0913	0.0890
0.2328	0.84	3000	0.0907	0.0893
0.2699	0.87	3100	0.0918	0.0849
0.1653	0.9	3200	0.0902	0.0827
0.2637	0.92	3300	0.0873	0.0836
0.2511	0.95	3400	0.0902	0.0851
0.2053	0.98	3500	0.0907	0.0842
0.0719	1.01	3600	0.0808	0.0752
0.0633	1.04	3700	0.0874	0.0775
0.063	1.07	3800	0.0855	0.0757
0.0653	1.09	3900	0.0916	0.0766
0.0381	1.12	4000	0.0864	0.0756
0.0457	1.15	4100	0.0850	0.0761
0.0399	1.18	4200	0.0842	0.0842
0.0403	1.21	4300	0.0834	0.0754
0.0462	1.23	4400	0.0833	0.0753
0.0312	1.26	4500	0.0815	0.0731
0.0432	1.29	4600	0.0812	0.0748
0.032	1.32	4700	0.0783	0.0683
0.0502	1.35	4800	0.0786	0.0699
0.0743	1.37	4900	0.0839	0.0678
0.0229	1.4	5000	0.0771	0.0664
0.0672	1.43	5100	0.0782	0.0662
0.0758	1.46	5200	0.0808	0.0696
0.0309	1.49	5300	0.0783	0.0710
0.043	1.51	5400	0.0748	0.0682
0.076	1.54	5500	0.0778	0.0685
0.041	1.57	5600	0.0792	0.0726
0.0784	1.6	5700	0.0763	0.0639
0.097	1.63	5800	0.0751	0.0668
0.0915	1.65	5900	0.0748	0.0661
0.0511	1.68	6000	0.0767	0.0641
0.0254	1.71	6100	0.0754	0.0656
0.024	1.74	6200	0.0732	0.0657
0.041	1.77	6300	0.0713	0.0673
0.034	1.79	6400	0.0686	0.0647
0.0604	1.82	6500	0.0733	0.0658
0.0456	1.85	6600	0.0743	0.0658
0.0431	1.88	6700	0.0760	0.0637
0.1149	1.91	6800	0.0757	0.0620
0.0431	1.93	6900	0.0727	0.0618
0.0425	1.96	7000	0.0717	0.0619
0.0452	1.99	7100	0.0708	0.0637
0.0172	2.02	7200	0.0740	0.0620
0.0413	2.05	7300	0.0695	0.0628
0.018	2.07	7400	0.0749	0.0626
0.0303	2.1	7500	0.0723	0.0625
0.0196	2.13	7600	0.0741	0.0629
0.015	2.16	7700	0.0699	0.0583
0.0145	2.19	7800	0.0735	0.0602
0.0287	2.21	7900	0.0726	0.0619
0.0735	2.24	8000	0.0705	0.0576
0.0161	2.27	8100	0.0715	0.0563
0.0549	2.3	8200	0.0692	0.0563
0.0227	2.33	8300	0.0715	0.0545
0.0156	2.35	8400	0.0702	0.0536
0.045	2.38	8500	0.0672	0.0533
0.0286	2.41	8600	0.0670	0.0537
0.0176	2.44	8700	0.0693	0.0554
0.0128	2.47	8800	0.0696	0.0549
0.0279	2.49	8900	0.0685	0.0541
0.0328	2.52	9000	0.0674	0.0574
0.0416	2.55	9100	0.0674	0.0581
0.0364	2.58	9200	0.0642	0.0540
0.0223	2.61	9300	0.0686	0.0544
0.0162	2.63	9400	0.0680	0.0521
0.0392	2.66	9500	0.0646	0.0512
0.027	2.69	9600	0.0663	0.0544
0.0192	2.72	9700	0.0654	0.0529
0.0339	2.75	9800	0.0654	0.0526
0.0269	2.77	9900	0.0651	0.0545
0.0263	2.8	10000	0.0636	0.0521
0.0444	2.83	10100	0.0650	0.0520
0.0322	2.86	10200	0.0622	0.0513
0.0171	2.89	10300	0.0641	0.0516
0.0121	2.91	10400	0.0633	0.0515
0.0347	2.94	10500	0.0610	0.0518
0.0432	2.97	10600	0.0605	0.0512
0.0187	3.0	10700	0.0623	0.0501
0.0147	3.03	10800	0.0652	0.0486
0.0112	3.05	10900	0.0648	0.05
0.0146	3.08	11000	0.0638	0.0514
0.0064	3.11	11100	0.0665	0.0486
0.0223	3.14	11200	0.0654	0.0487
0.0261	3.17	11300	0.0655	0.0488
0.0144	3.2	11400	0.0638	0.0488
0.0195	3.22	11500	0.0655	0.0491
0.0091	3.25	11600	0.0648	0.0492
0.0171	3.28	11700	0.0633	0.0483
0.0538	3.31	11800	0.0654	0.0488
0.0047	3.34	11900	0.0625	0.0490
0.015	3.36	12000	0.0634	0.0476
0.0323	3.39	12100	0.0655	0.0494
0.0173	3.42	12200	0.0637	0.0495
0.0188	3.45	12300	0.0638	0.0479
0.004	3.48	12400	0.0637	0.0459
0.022	3.5	12500	0.0637	0.0467
0.0139	3.53	12600	0.0638	0.0466
0.024	3.56	12700	0.0633	0.0467
0.0047	3.59	12800	0.0650	0.0468
0.0099	3.62	12900	0.0636	0.0476
0.0418	3.64	13000	0.0631	0.0473
0.0298	3.67	13100	0.0620	0.0476
0.0382	3.7	13200	0.0617	0.0468
0.0281	3.73	13300	0.0619	0.0464
0.0256	3.76	13400	0.0621	0.0463
0.0024	3.78	13500	0.0612	0.0463
0.0107	3.81	13600	0.0611	0.0456
0.0084	3.84	13700	0.0613	0.0456
0.0039	3.87	13800	0.0614	0.0463
0.0032	3.9	13900	0.0611	0.0461
0.0043	3.92	14000	0.0614	0.0458
0.0073	3.95	14100	0.0615	0.0460
0.0145	3.98	14200	0.0616	0.0460

Framework versions

Transformers 4.39.0.dev0
Pytorch 2.2.1
Datasets 2.18.0
Tokenizers 0.15.1

Task: Automatic Speech Recognition
Library: transformers
Type: hubert
License: apache-2.0
Created: Mar 14, 2024
Updated: Mar 15, 2024