ft_0202_korean

yoon1000/ft_0202_korean

ft_0202_korean is a automatic speech recognition model from yoon1000. 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

4% of all-time downloads

All-time downloads

385

Public

Parameters

317M

249 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: wav2vec2
Access: Public
Created: Feb 2, 2024
Updated: Feb 4, 2024
SHA: ea5ed190

Base models

facebook/wav2vec2-xls-r-300m

Model card

From the Hugging Face model README

ft_0202_korean

This model is a fine-tuned version of facebook/wav2vec2-xls-r-300m on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.5641
Cer: 0.0886

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: 0.0001
train_batch_size: 4
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 500
num_epochs: 20
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Cer
24.8667	0.1	500	5.1486	1.0
4.7502	0.2	1000	4.8664	1.0
4.6253	0.31	1500	4.6545	1.0
4.4689	0.41	2000	4.2926	0.9784
3.5162	0.51	2500	2.6778	0.5191
2.6355	0.61	3000	2.1095	0.4424
2.2199	0.72	3500	1.7898	0.3896
2.0362	0.82	4000	1.5788	0.3551
1.8016	0.92	4500	1.4385	0.3407
1.6906	1.02	5000	1.3008	0.3072
1.5136	1.12	5500	1.1820	0.2845
1.4168	1.23	6000	1.0870	0.2673
1.3461	1.33	6500	1.0315	0.2589
1.3039	1.43	7000	0.9758	0.2438
1.2616	1.53	7500	0.9589	0.2415
1.2301	1.64	8000	0.9262	0.2275
1.1979	1.74	8500	0.8997	0.2305
1.1518	1.84	9000	0.8420	0.2183
1.0925	1.94	9500	0.8073	0.2103
1.051	2.04	10000	0.7964	0.2050
1.0025	2.15	10500	0.7683	0.2017
0.9649	2.25	11000	0.7426	0.1984
0.9574	2.35	11500	0.7213	0.1919
0.9244	2.45	12000	0.7198	0.1939
0.9334	2.56	12500	0.6958	0.1847
0.8901	2.66	13000	0.6925	0.1829
0.9049	2.76	13500	0.6862	0.1819
0.8834	2.86	14000	0.6751	0.1813
0.8691	2.97	14500	0.6659	0.1744
0.8194	3.07	15000	0.6674	0.1740
0.7972	3.17	15500	0.6612	0.1711
0.7737	3.27	16000	0.6474	0.1719
0.76	3.37	16500	0.6760	0.1687
0.7744	3.48	17000	0.6232	0.1645
0.7571	3.58	17500	0.6104	0.1607
0.753	3.68	18000	0.6099	0.1609
0.7276	3.78	18500	0.5977	0.1562
0.7388	3.89	19000	0.5798	0.1548
0.7173	3.99	19500	0.5894	0.1547
0.6796	4.09	20000	0.5873	0.1537
0.6549	4.19	20500	0.5852	0.1518
0.6534	4.29	21000	0.5859	0.1502
0.6659	4.4	21500	0.5679	0.1474
0.654	4.5	22000	0.5804	0.1490
0.6356	4.6	22500	0.5888	0.1504
0.6612	4.7	23000	0.5544	0.1436
0.6344	4.81	23500	0.5641	0.1428
0.6432	4.91	24000	0.5570	0.1417
0.6297	5.01	24500	0.5638	0.1413
0.5746	5.11	25000	0.5808	0.1435
0.5619	5.21	25500	0.5471	0.1403
0.5835	5.32	26000	0.5505	0.1417
0.5867	5.42	26500	0.5446	0.1361
0.5598	5.52	27000	0.5558	0.1358
0.5465	5.62	27500	0.5434	0.1354
0.546	5.73	28000	0.5394	0.1362
0.5527	5.83	28500	0.5289	0.1334
0.5712	5.93	29000	0.5175	0.1321
0.5308	6.03	29500	0.5279	0.1318
0.5093	6.13	30000	0.5301	0.1356
0.5129	6.24	30500	0.5252	0.1302
0.51	6.34	31000	0.5279	0.1302
0.4938	6.44	31500	0.5234	0.1281
0.5044	6.54	32000	0.5105	0.1290
0.4977	6.65	32500	0.5299	0.1262
0.5046	6.75	33000	0.5164	0.1268
0.4913	6.85	33500	0.5078	0.1260
0.4926	6.95	34000	0.5052	0.1252
0.4636	7.06	34500	0.5200	0.1236
0.4437	7.16	35000	0.5070	0.1217
0.4361	7.26	35500	0.5056	0.1238
0.456	7.36	36000	0.5038	0.1212
0.4458	7.46	36500	0.5101	0.1218
0.441	7.57	37000	0.5050	0.1211
0.4477	7.67	37500	0.5054	0.1183
0.4521	7.77	38000	0.5029	0.1179
0.4516	7.87	38500	0.5048	0.1211
0.4466	7.98	39000	0.4962	0.1187
0.4103	8.08	39500	0.5037	0.1181
0.4079	8.18	40000	0.5123	0.1188
0.3871	8.28	40500	0.5027	0.1161
0.4012	8.38	41000	0.4979	0.1165
0.4028	8.49	41500	0.5291	0.1190
0.405	8.59	42000	0.5006	0.1164
0.3916	8.69	42500	0.4994	0.1136
0.4055	8.79	43000	0.4961	0.1151
0.4098	8.9	43500	0.4934	0.1127
0.3983	9.0	44000	0.4873	0.1122
0.3618	9.1	44500	0.4981	0.1130
0.3504	9.2	45000	0.4963	0.1116
0.3507	9.3	45500	0.4998	0.1132
0.37	9.41	46000	0.4787	0.1093
0.3597	9.51	46500	0.4883	0.1095
0.3676	9.61	47000	0.4838	0.1096
0.3469	9.71	47500	0.4967	0.1103
0.3726	9.82	48000	0.4796	0.1081
0.3518	9.92	48500	0.4849	0.1093
0.3444	10.02	49000	0.4902	0.1092
0.3213	10.12	49500	0.5074	0.1082
0.3325	10.22	50000	0.5097	0.1092
0.3289	10.33	50500	0.5087	0.1090
0.3329	10.43	51000	0.5041	0.1090
0.325	10.53	51500	0.4926	0.1096
0.3286	10.63	52000	0.5094	0.1058
0.3339	10.74	52500	0.4896	0.1074
0.32	10.84	53000	0.4862	0.1069
0.3151	10.94	53500	0.4916	0.1064
0.3262	11.04	54000	0.4836	0.1049
0.2925	11.15	54500	0.4971	0.1056
0.2795	11.25	55000	0.5115	0.1059
0.2937	11.35	55500	0.5015	0.1058
0.3031	11.45	56000	0.4892	0.1039
0.3083	11.55	56500	0.5128	0.1044
0.315	11.66	57000	0.4943	0.1029
0.2962	11.76	57500	0.4978	0.1020
0.3018	11.86	58000	0.4841	0.1026
0.2905	11.96	58500	0.5011	0.1032
0.2848	12.07	59000	0.5009	0.1010
0.2618	12.17	59500	0.5169	0.1028
0.2699	12.27	60000	0.4928	0.1012
0.2825	12.37	60500	0.5010	0.1022
0.2723	12.47	61000	0.4960	0.1014
0.2754	12.58	61500	0.5003	0.1002
0.267	12.68	62000	0.4775	0.0995
0.2643	12.78	62500	0.4873	0.1003
0.2704	12.88	63000	0.5097	0.1012
0.2611	12.99	63500	0.5054	0.1009
0.2534	13.09	64000	0.5063	0.0996
0.247	13.19	64500	0.5079	0.0989
0.2358	13.29	65000	0.5029	0.0986
0.2418	13.39	65500	0.5108	0.0980
0.2536	13.5	66000	0.5140	0.0980
0.25	13.6	66500	0.4974	0.0973
0.2489	13.7	67000	0.5047	0.0969
0.2427	13.8	67500	0.5089	0.0980
0.2496	13.91	68000	0.5126	0.0980
0.2572	14.01	68500	0.5071	0.0981
0.2248	14.11	69000	0.5215	0.0985
0.2344	14.21	69500	0.5116	0.0974
0.2245	14.31	70000	0.5185	0.0966
0.2153	14.42	70500	0.5129	0.0962
0.2245	14.52	71000	0.5225	0.0964
0.2229	14.62	71500	0.5194	0.0963
0.2354	14.72	72000	0.5021	0.0957
0.2246	14.83	72500	0.5163	0.0955
0.2154	14.93	73000	0.5114	0.0945
0.2191	15.03	73500	0.5281	0.0947
0.2118	15.13	74000	0.5295	0.0939
0.2161	15.24	74500	0.5131	0.0945
0.2179	15.34	75000	0.5270	0.0946
0.2144	15.44	75500	0.5243	0.0945
0.1999	15.54	76000	0.5212	0.0930
0.213	15.64	76500	0.5365	0.0935
0.215	15.75	77000	0.5188	0.0937
0.2037	15.85	77500	0.5315	0.0936
0.2122	15.95	78000	0.5267	0.0939
0.2084	16.05	78500	0.5306	0.0919
0.1971	16.16	79000	0.5354	0.0917
0.197	16.26	79500	0.5426	0.0920
0.1988	16.36	80000	0.5382	0.0920
0.1904	16.46	80500	0.5396	0.0918
0.1987	16.56	81000	0.5523	0.0918
0.1941	16.67	81500	0.5375	0.0919
0.1879	16.77	82000	0.5460	0.0911
0.202	16.87	82500	0.5436	0.0913
0.1932	16.97	83000	0.5389	0.0910
0.1809	17.08	83500	0.5496	0.0912
0.1933	17.18	84000	0.5587	0.0916
0.1802	17.28	84500	0.5466	0.0908
0.1956	17.38	85000	0.5563	0.0907
0.1838	17.48	85500	0.5579	0.0904
0.1787	17.59	86000	0.5520	0.0905
0.1859	17.69	86500	0.5575	0.0901
0.1864	17.79	87000	0.5640	0.0909
0.1887	17.89	87500	0.5594	0.0908
0.1802	18.0	88000	0.5575	0.0905
0.1769	18.1	88500	0.5528	0.0899
0.1772	18.2	89000	0.5672	0.0894
0.1722	18.3	89500	0.5588	0.0897
0.1714	18.4	90000	0.5604	0.0898
0.1632	18.51	90500	0.5576	0.0900
0.1726	18.61	91000	0.5526	0.0897
0.167	18.71	91500	0.5652	0.0897
0.1851	18.81	92000	0.5603	0.0899
0.1766	18.92	92500	0.5605	0.0894
0.1685	19.02	93000	0.5620	0.0892
0.1732	19.12	93500	0.5679	0.0889
0.166	19.22	94000	0.5655	0.0890
0.1663	19.33	94500	0.5638	0.0892
0.1688	19.43	95000	0.5647	0.0892
0.1613	19.53	95500	0.5661	0.0890
0.1749	19.63	96000	0.5673	0.0889
0.1635	19.73	96500	0.5649	0.0887
0.1647	19.84	97000	0.5641	0.0886
0.1633	19.94	97500	0.5641	0.0886

Framework versions

Transformers 4.36.2
Pytorch 2.1.2+cu118
Datasets 2.16.1
Tokenizers 0.15.0

Task: Automatic Speech Recognition
Library: transformers
Type: wav2vec2
License: apache-2.0
Created: Feb 2, 2024
Updated: Feb 4, 2024