Hugging Face's logo

dbdmg
/
wav2vec2-xls-r-300m-italian-robust

Automatic Speech Recognition
Transformers
PyTorch
Safetensors
Italian
wav2vec2
Generated from Trainer
hf-asr-leaderboard
robust-speech-event
Eval Results
Inference Endpoints
Model card Files Community
2
wav2vec2-xls-r-300m-italian-robust / README.md
librarian-bot's picture
librarian-bot
Librarian Bot: Add base_model information to model
9b646fb
preview code
|
raw
history blame
14.2 kB
metadata
language: it
license: apache-2.0
tags:
  - automatic-speech-recognition
  - generated_from_trainer
  - hf-asr-leaderboard
  - robust-speech-event
datasets:
  - mozilla-foundation/common_voice_7_0
base_model: facebook/wav2vec2-xls-r-300m
model-index:
  - name: XLS-R-300m - Italian
    results:
      - task:
          type: automatic-speech-recognition
          name: Automatic Speech Recognition
        dataset:
          name: Common Voice 7
          type: mozilla-foundation/common_voice_7_0
          args: it
        metrics:
          - type: wer
            value: 17.17
            name: Test WER
          - type: cer
            value: 4.27
            name: Test CER
          - type: wer
            value: 12.07
            name: Test WER (+LM)
          - type: cer
            value: 3.52
            name: Test CER (+LM)
      - task:
          type: automatic-speech-recognition
          name: Automatic Speech Recognition
        dataset:
          name: Robust Speech Event - Dev Data
          type: speech-recognition-community-v2/dev_data
          args: it
        metrics:
          - type: wer
            value: 24.29
            name: Test WER
          - type: cer
            value: 8.1
            name: Test CER
          - type: wer
            value: 17.36
            name: Test WER (+LM)
          - type: cer
            value: 7.94
            name: Test CER (+LM)
      - task:
          type: automatic-speech-recognition
          name: Automatic Speech Recognition
        dataset:
          name: Robust Speech Event - Test Data
          type: speech-recognition-community-v2/eval_data
          args: it
        metrics:
          - type: wer
            value: 33.66
            name: Test WER

wav2vec2-xls-r-300m-italian-robust

This model is a fine-tuned version of facebook/wav2vec2-xls-r-300m on the Italian splits of the following datasets:

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: 32
  • 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: 10.0
  • mixed_precision_training: Native AMP

Training results

Training Loss Epoch Step Validation Loss Wer
No log 0.06 400 0.7508 0.7354
2.3127 0.11 800 0.5888 0.5882
0.7256 0.17 1200 0.5121 0.5247
0.6692 0.22 1600 0.4774 0.5028
0.6384 0.28 2000 0.4832 0.4885
0.6384 0.33 2400 0.4410 0.4581
0.6199 0.39 2800 0.4160 0.4331
0.5972 0.44 3200 0.4136 0.4275
0.6048 0.5 3600 0.4362 0.4538
0.5627 0.55 4000 0.4313 0.4469
0.5627 0.61 4400 0.4425 0.4579
0.5855 0.66 4800 0.3859 0.4133
0.5702 0.72 5200 0.3974 0.4097
0.55 0.77 5600 0.3931 0.4134
0.5624 0.83 6000 0.3900 0.4126
0.5624 0.88 6400 0.3622 0.3899
0.5615 0.94 6800 0.3755 0.4067
0.5472 0.99 7200 0.3980 0.4284
0.5663 1.05 7600 0.3553 0.3782
0.5189 1.1 8000 0.3538 0.3726
0.5189 1.16 8400 0.3425 0.3624
0.518 1.21 8800 0.3431 0.3651
0.5399 1.27 9200 0.3442 0.3573
0.5303 1.32 9600 0.3241 0.3404
0.5043 1.38 10000 0.3175 0.3378
0.5043 1.43 10400 0.3265 0.3501
0.4968 1.49 10800 0.3539 0.3703
0.5102 1.54 11200 0.3323 0.3506
0.5008 1.6 11600 0.3188 0.3433
0.4996 1.65 12000 0.3162 0.3388
0.4996 1.71 12400 0.3353 0.3552
0.5007 1.76 12800 0.3152 0.3317
0.4956 1.82 13200 0.3207 0.3430
0.5205 1.87 13600 0.3239 0.3430
0.4829 1.93 14000 0.3134 0.3266
0.4829 1.98 14400 0.3039 0.3291
0.5251 2.04 14800 0.2944 0.3169
0.4872 2.09 15200 0.3061 0.3228
0.4805 2.15 15600 0.3034 0.3152
0.4949 2.2 16000 0.2896 0.3066
0.4949 2.26 16400 0.3059 0.3344
0.468 2.31 16800 0.2932 0.3111
0.4637 2.37 17200 0.2890 0.3074
0.4638 2.42 17600 0.2893 0.3112
0.4728 2.48 18000 0.2832 0.3013
0.4728 2.54 18400 0.2921 0.3065
0.456 2.59 18800 0.2961 0.3104
0.4628 2.65 19200 0.2886 0.3109
0.4534 2.7 19600 0.2828 0.3020
0.4578 2.76 20000 0.2805 0.3026
0.4578 2.81 20400 0.2796 0.2987
0.4702 2.87 20800 0.2748 0.2906
0.4487 2.92 21200 0.2819 0.3008
0.4411 2.98 21600 0.2722 0.2868
0.4631 3.03 22000 0.2814 0.2974
0.4631 3.09 22400 0.2762 0.2894
0.4591 3.14 22800 0.2802 0.2980
0.4349 3.2 23200 0.2748 0.2951
0.4339 3.25 23600 0.2792 0.2927
0.4254 3.31 24000 0.2712 0.2911
0.4254 3.36 24400 0.2719 0.2892
0.4317 3.42 24800 0.2686 0.2861
0.4282 3.47 25200 0.2632 0.2861
0.4262 3.53 25600 0.2633 0.2817
0.4162 3.58 26000 0.2561 0.2765
0.4162 3.64 26400 0.2613 0.2847
0.414 3.69 26800 0.2679 0.2824
0.4132 3.75 27200 0.2569 0.2813
0.405 3.8 27600 0.2589 0.2785
0.4128 3.86 28000 0.2611 0.2714
0.4128 3.91 28400 0.2548 0.2731
0.4174 3.97 28800 0.2574 0.2716
0.421 4.02 29200 0.2529 0.2700
0.4109 4.08 29600 0.2547 0.2682
0.4027 4.13 30000 0.2578 0.2758
0.4027 4.19 30400 0.2511 0.2715
0.4075 4.24 30800 0.2507 0.2601
0.3947 4.3 31200 0.2552 0.2711
0.4042 4.35 31600 0.2530 0.2695
0.3907 4.41 32000 0.2543 0.2738
0.3907 4.46 32400 0.2491 0.2629
0.3895 4.52 32800 0.2471 0.2611
0.3901 4.57 33200 0.2404 0.2559
0.3818 4.63 33600 0.2378 0.2583
0.3831 4.68 34000 0.2341 0.2499
0.3831 4.74 34400 0.2379 0.2560
0.3808 4.79 34800 0.2418 0.2553
0.4015 4.85 35200 0.2378 0.2565
0.407 4.9 35600 0.2375 0.2535
0.38 4.96 36000 0.2329 0.2451
0.38 5.02 36400 0.2541 0.2737
0.3753 5.07 36800 0.2475 0.2580
0.3701 5.13 37200 0.2356 0.2484
0.3627 5.18 37600 0.2422 0.2552
0.3652 5.24 38000 0.2353 0.2518
0.3652 5.29 38400 0.2328 0.2452
0.3667 5.35 38800 0.2358 0.2478
0.3711 5.4 39200 0.2340 0.2463
0.361 5.46 39600 0.2375 0.2452
0.3655 5.51 40000 0.2292 0.2387
0.3655 5.57 40400 0.2330 0.2432
0.3637 5.62 40800 0.2242 0.2396
0.3516 5.68 41200 0.2284 0.2394
0.3498 5.73 41600 0.2254 0.2343
0.3626 5.79 42000 0.2191 0.2318
0.3626 5.84 42400 0.2261 0.2399
0.3719 5.9 42800 0.2261 0.2411
0.3563 5.95 43200 0.2259 0.2416
0.3574 6.01 43600 0.2148 0.2249
0.3339 6.06 44000 0.2173 0.2237
0.3339 6.12 44400 0.2133 0.2238
0.3303 6.17 44800 0.2193 0.2297
0.331 6.23 45200 0.2122 0.2205
0.3372 6.28 45600 0.2083 0.2215
0.3427 6.34 46000 0.2079 0.2163
0.3427 6.39 46400 0.2072 0.2154
0.3215 6.45 46800 0.2067 0.2170
0.3246 6.5 47200 0.2089 0.2183
0.3217 6.56 47600 0.2030 0.2130
0.3309 6.61 48000 0.2020 0.2123
0.3309 6.67 48400 0.2054 0.2133
0.3343 6.72 48800 0.2013 0.2128
0.3213 6.78 49200 0.1971 0.2064
0.3145 6.83 49600 0.2029 0.2107
0.3274 6.89 50000 0.2038 0.2136
0.3274 6.94 50400 0.1991 0.2064
0.3202 7.0 50800 0.1970 0.2083
0.314 7.05 51200 0.1970 0.2035
0.3031 7.11 51600 0.1943 0.2053
0.3004 7.16 52000 0.1942 0.1985
0.3004 7.22 52400 0.1941 0.2003
0.3029 7.27 52800 0.1936 0.2008
0.2915 7.33 53200 0.1935 0.1995
0.3005 7.38 53600 0.1943 0.2032
0.2984 7.44 54000 0.1913 0.1978
0.2984 7.5 54400 0.1907 0.1965
0.2978 7.55 54800 0.1881 0.1958
0.2944 7.61 55200 0.1887 0.1966
0.3004 7.66 55600 0.1870 0.1930
0.3099 7.72 56000 0.1906 0.1976
0.3099 7.77 56400 0.1856 0.1939
0.2917 7.83 56800 0.1883 0.1961
0.2924 7.88 57200 0.1864 0.1930
0.3061 7.94 57600 0.1831 0.1872
0.2834 7.99 58000 0.1835 0.1896
0.2834 8.05 58400 0.1828 0.1875
0.2807 8.1 58800 0.1820 0.1874
0.2765 8.16 59200 0.1807 0.1869
0.2737 8.21 59600 0.1810 0.1848
0.2722 8.27 60000 0.1795 0.1829
0.2722 8.32 60400 0.1785 0.1826
0.272 8.38 60800 0.1802 0.1836
0.268 8.43 61200 0.1771 0.1813
0.2695 8.49 61600 0.1773 0.1821
0.2686 8.54 62000 0.1756 0.1814
0.2686 8.6 62400 0.1740 0.1770
0.2687 8.65 62800 0.1748 0.1769
0.2686 8.71 63200 0.1734 0.1766
0.2683 8.76 63600 0.1722 0.1759
0.2686 8.82 64000 0.1719 0.1760
0.2686 8.87 64400 0.1720 0.1743
0.2626 8.93 64800 0.1696 0.1742
0.2587 8.98 65200 0.1690 0.1718
0.2554 9.04 65600 0.1704 0.1722
0.2537 9.09 66000 0.1702 0.1721
0.2537 9.15 66400 0.1696 0.1717
0.2511 9.2 66800 0.1685 0.1701
0.2473 9.26 67200 0.1696 0.1704
0.2458 9.31 67600 0.1686 0.1698
0.2476 9.37 68000 0.1675 0.1687
0.2476 9.42 68400 0.1659 0.1673
0.2463 9.48 68800 0.1664 0.1674
0.2481 9.53 69200 0.1661 0.1670
0.2411 9.59 69600 0.1658 0.1663
0.2445 9.64 70000 0.1652 0.1660
0.2445 9.7 70400 0.1646 0.1654
0.2407 9.75 70800 0.1646 0.1641
0.2483 9.81 71200 0.1641 0.1641
0.245 9.86 71600 0.1635 0.1643
0.2402 9.92 72000 0.1638 0.1634
0.2402 9.98 72400 0.1633 0.1636

Framework versions

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