wav2vec2-bert-CV16-en-libri-cv

ylacombe/wav2vec2-bert-CV16-en-libri-cv

wav2vec2-bert-CV16-en-libri-cv is a automatic speech recognition model from ylacombe. Use it when you need speech turned into text. It is set up for transformers. The card lists the license as mit.

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

Downloads · 30 days

3% of all-time downloads

All-time downloads

359

Public

Parameters

606M

75.1 GB on disk

Likes

Public

Hugging Face

Repo makeup

Click a slice to open those files.

.safetensors2.4 GB · 100%

At a glance

Task: Automatic Speech Recognition
Library: transformers
License: mit
Model type: wav2vec2-bert
Access: Public
Created: Jan 16, 2024
Updated: Jan 18, 2024
SHA: 2faf9925

Base models

ylacombe/wav2vec2-bert-CV16-en-libri

Model card

From the Hugging Face model README

wav2vec2-bert-CV16-en-libri-cv

This model is a fine-tuned version of ylacombe/wav2vec2-bert-CV16-en-libri on the MOZILLA-FOUNDATION/COMMON_VOICE_16_0 - EN dataset. It achieves the following results on the evaluation set:

Loss: 0.2168
Wer: 0.1352
Cer: 0.0525

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: 3e-05
train_batch_size: 12
eval_batch_size: 12
seed: 42
distributed_type: multi-GPU
num_devices: 3
gradient_accumulation_steps: 3
total_train_batch_size: 108
total_eval_batch_size: 36
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 15000
num_epochs: 5.0
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Wer	Cer
0.3302	0.05	500	0.4543	0.2333	0.0889
0.2579	0.1	1000	0.4172	0.2213	0.0832
0.2527	0.15	1500	0.3999	0.2142	0.0799
0.269	0.2	2000	0.3763	0.2049	0.0768
0.229	0.24	2500	0.3629	0.2029	0.0753
0.2286	0.29	3000	0.3494	0.1972	0.0733
0.2422	0.34	3500	0.3365	0.1929	0.0720
0.1989	0.39	4000	0.3362	0.1900	0.0711
0.2036	0.44	4500	0.3282	0.1871	0.0696
0.198	0.49	5000	0.3156	0.1803	0.0677
0.1757	0.54	5500	0.3069	0.1797	0.0682
0.1966	0.59	6000	0.2984	0.1786	0.0663
0.1924	0.64	6500	0.3014	0.1795	0.0676
0.19	0.68	7000	0.3059	0.1741	0.0656
0.1723	0.73	7500	0.3036	0.1758	0.0673
0.1688	0.78	8000	0.2990	0.1749	0.0670
0.1776	0.83	8500	0.2984	0.1742	0.0663
0.151	0.88	9000	0.3027	0.1707	0.0651
0.1609	0.93	9500	0.3001	0.1738	0.0667
0.1735	0.98	10000	0.3007	0.1748	0.0667
0.1355	1.03	10500	0.2953	0.1716	0.0665
0.1538	1.08	11000	0.2872	0.1733	0.0672
0.1448	1.12	11500	0.2927	0.1695	0.0657
0.1686	1.17	12000	0.2864	0.1731	0.0673
0.1506	1.22	12500	0.2891	0.1734	0.0667
0.1621	1.27	13000	0.2837	0.1722	0.0669
0.1573	1.32	13500	0.2792	0.1728	0.0660
0.1566	1.37	14000	0.2747	0.1702	0.0661
0.1528	1.42	14500	0.2781	0.1754	0.0673
0.153	1.47	15000	0.2900	0.1788	0.0692
0.1575	1.52	15500	0.2713	0.1758	0.0670
0.1543	1.56	16000	0.2846	0.1728	0.0666
0.1354	1.61	16500	0.2781	0.1696	0.0657
0.1246	1.66	17000	0.2941	0.1729	0.0674
0.1538	1.71	17500	0.2803	0.1707	0.0662
0.143	1.76	18000	0.2705	0.1669	0.0650
0.1505	1.81	18500	0.2632	0.1687	0.0653
0.1415	1.86	19000	0.2623	0.1651	0.0636
0.1402	1.91	19500	0.2607	0.1668	0.0647
0.1354	1.96	20000	0.2649	0.1643	0.0635
0.1234	2.0	20500	0.2684	0.1616	0.0636
0.129	2.05	21000	0.2589	0.1595	0.0624
0.1198	2.1	21500	0.2629	0.1629	0.0631
0.1083	2.15	22000	0.2608	0.1604	0.0627
0.1446	2.2	22500	0.2598	0.1614	0.0629
0.1315	2.25	23000	0.2681	0.1640	0.0643
0.1218	2.3	23500	0.2616	0.1607	0.0639
0.1167	2.35	24000	0.2732	0.1599	0.0627
0.1009	2.4	24500	0.2566	0.1600	0.0627
0.1133	2.44	25000	0.2533	0.1566	0.0614
0.1135	2.49	25500	0.2470	0.1561	0.0606
0.1042	2.54	26000	0.2508	0.1546	0.0604
0.1238	2.59	26500	0.2568	0.1565	0.0616
0.1178	2.64	27000	0.2564	0.1574	0.0615
0.1207	2.69	27500	0.2456	0.1552	0.0605
0.1112	2.74	28000	0.2434	0.1516	0.0595
0.1097	2.79	28500	0.2467	0.1550	0.0605
0.1253	2.84	29000	0.2428	0.1541	0.0600
0.1172	2.88	29500	0.2399	0.1513	0.0592
0.12	2.93	30000	0.2393	0.1518	0.0589
0.0976	2.98	30500	0.2442	0.1520	0.0596
0.1422	3.03	31000	0.2398	0.1503	0.0588
0.1285	3.08	31500	0.2446	0.1518	0.0591
0.122	3.13	32000	0.2401	0.1503	0.0587
0.1132	3.18	32500	0.2437	0.1514	0.0591
0.1275	3.23	33000	0.2466	0.1485	0.0584
0.1299	3.28	33500	0.2380	0.1463	0.0571
0.1129	3.32	34000	0.2416	0.1472	0.0576
0.1367	3.37	34500	0.2418	0.1479	0.0581
0.1166	3.42	35000	0.2418	0.1458	0.0573
0.1264	3.47	35500	0.2349	0.1449	0.0569
0.1325	3.52	36000	0.2332	0.1458	0.0567
0.1208	3.57	36500	0.2372	0.1469	0.0578
0.1309	3.62	37000	0.2354	0.1455	0.0570
0.1303	3.67	37500	0.2281	0.1435	0.0559
0.1193	3.72	38000	0.2306	0.1438	0.0563
0.1148	3.76	38500	0.2259	0.1439	0.0558
0.1066	3.81	39000	0.2293	0.1421	0.0558
0.0899	3.86	39500	0.2266	0.1408	0.0552
0.123	3.91	40000	0.2254	0.1419	0.0555
0.1162	3.96	40500	0.2251	0.1422	0.0557
0.0856	4.01	41000	0.2253	0.1401	0.0549
0.0983	4.06	41500	0.2258	0.1389	0.0547
0.0893	4.11	42000	0.2260	0.1406	0.0547
0.0892	4.16	42500	0.2272	0.1391	0.0544
0.0761	4.2	43000	0.2301	0.1396	0.0547
0.0931	4.25	43500	0.2259	0.1377	0.0538
0.081	4.3	44000	0.2221	0.1389	0.0540
0.0878	4.35	44500	0.2232	0.1383	0.0538
0.0837	4.4	45000	0.2258	0.1381	0.0540
0.0917	4.45	45500	0.2211	0.1371	0.0535
0.0736	4.5	46000	0.2226	0.1364	0.0534
0.0728	4.55	46500	0.2218	0.1358	0.0531
0.0824	4.6	47000	0.2205	0.1365	0.0533
0.0794	4.64	47500	0.2198	0.1359	0.0529
0.0823	4.69	48000	0.2199	0.1354	0.0527
0.0849	4.74	48500	0.2176	0.1348	0.0525
0.095	4.79	49000	0.2185	0.1354	0.0529
0.0951	4.84	49500	0.2163	0.1354	0.0527
0.0902	4.89	50000	0.2163	0.1350	0.0525
0.066	4.94	50500	0.2167	0.1350	0.0525
0.0776	4.99	51000	0.2169	0.1351	0.0524

Framework versions

Transformers 4.37.0.dev0
Pytorch 2.1.0+cu121
Datasets 2.16.1
Tokenizers 0.15.0

Task: Automatic Speech Recognition
Library: transformers
Type: wav2vec2-bert
License: mit
Languages: en
Created: Jan 16, 2024
Updated: Jan 18, 2024