Hugging Face's logo

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

Automatic Speech Recognition
Transformers
TensorBoard
Safetensors
English
wav2vec2-bert
mozilla-foundation/common_voice_16_0
Generated from Trainer
Inference Endpoints
Model card Files Metrics Community
wav2vec2-bert-CV16-en-libri-cv / README.md
ylacombe's picture
ylacombe HF staff
End of training
2faf992 verified
preview code
|
raw
history blame contribute delete
No virus
8.87 kB
metadata
language:
  - en
license: mit
base_model: ylacombe/wav2vec2-bert-CV16-en-libri
tags:
  - automatic-speech-recognition
  - mozilla-foundation/common_voice_16_0
  - generated_from_trainer
metrics:
  - wer
model-index:
  - name: wav2vec2-bert-CV16-en-libri-cv
    results: []

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