Hugging Face's logo

bofenghuang
/
wav2vec2-xls-r-1b-cv9-fr

Automatic Speech Recognition
Transformers
PyTorch
French
wav2vec2
mozilla-foundation/common_voice_9_0
Generated from Trainer
hf-asr-leaderboard
robust-speech-event
Eval Results
Inference Endpoints
Model card Files Community
3
wav2vec2-xls-r-1b-cv9-fr / README.md
bofenghuang's picture
bofenghuang
Initial commit
6e1a7c6
preview code
|
raw
history blame
5.96 kB
metadata
language:
  - fr
license: apache-2.0
tags:
  - automatic-speech-recognition
  - mozilla-foundation/common_voice_9_0
  - generated_from_trainer
datasets:
  - common_voice_9_0
model-index:
  - name: wav2vec2-xls-r-1b-ft-ep10
    results: []

wav2vec2-xls-r-1b-ft-ep10

This model is a fine-tuned version of facebook/wav2vec2-xls-r-1b on the MOZILLA-FOUNDATION/COMMON_VOICE_9_0 - FR dataset. It achieves the following results on the evaluation set:

  • Loss: 0.1430
  • Wer: 0.1245

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: 16
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 8
  • total_train_batch_size: 128
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_ratio: 0.1
  • num_epochs: 10.0
  • mixed_precision_training: Native AMP

Training results

Training Loss Epoch Step Validation Loss Wer
0.9229 0.14 500 0.5049 0.4008
0.3823 0.28 1000 0.2831 0.2297
0.3079 0.42 1500 0.2385 0.1951
0.2899 0.55 2000 0.2273 0.1978
0.2795 0.69 2500 0.2329 0.1983
0.2863 0.83 3000 0.2289 0.1991
0.3063 0.97 3500 0.2370 0.2046
0.2766 1.11 4000 0.2322 0.2021
0.2749 1.25 4500 0.2332 0.2055
0.2769 1.39 5000 0.2322 0.2035
0.2628 1.53 5500 0.2242 0.1948
0.2614 1.66 6000 0.2303 0.1962
0.2547 1.8 6500 0.2238 0.1920
0.2458 1.94 7000 0.2186 0.1894
0.231 2.08 7500 0.2169 0.1895
0.2309 2.22 8000 0.2131 0.1870
0.2258 2.36 8500 0.2133 0.1818
0.2278 2.5 9000 0.2176 0.1878
0.2263 2.63 9500 0.2030 0.1813
0.2262 2.77 10000 0.2077 0.1824
0.2228 2.91 10500 0.2115 0.1840
0.2118 3.05 11000 0.2093 0.1782
0.2073 3.19 11500 0.2004 0.1756
0.2015 3.33 12000 0.1988 0.1748
0.214 3.47 12500 0.2088 0.1816
0.2075 3.61 13000 0.1976 0.1746
0.2039 3.74 13500 0.1958 0.1744
0.2003 3.88 14000 0.1931 0.1693
0.1886 4.02 14500 0.1964 0.1686
0.1943 4.16 15000 0.1986 0.1746
0.1919 4.3 15500 0.1957 0.1700
0.1857 4.44 16000 0.1907 0.1671
0.1834 4.58 16500 0.1877 0.1641
0.18 4.71 17000 0.1828 0.1600
0.1774 4.85 17500 0.1863 0.1605
0.1755 4.99 18000 0.1833 0.1595
0.1692 5.13 18500 0.1814 0.1569
0.1674 5.27 19000 0.1819 0.1566
0.1664 5.41 19500 0.1805 0.1572
0.1677 5.55 20000 0.1803 0.1560
0.1637 5.68 20500 0.1750 0.1525
0.1628 5.82 21000 0.1774 0.1532
0.1645 5.96 21500 0.1744 0.1527
0.1551 6.1 22000 0.1778 0.1543
0.1505 6.24 22500 0.1754 0.1528
0.1499 6.38 23000 0.1743 0.1500
0.1491 6.52 23500 0.1684 0.1473
0.1477 6.66 24000 0.1661 0.1472
0.1456 6.79 24500 0.1654 0.1440
0.1415 6.93 25000 0.1654 0.1448
0.136 7.07 25500 0.1616 0.1407
0.132 7.21 26000 0.1625 0.1410
0.1323 7.35 26500 0.1604 0.1404
0.1338 7.49 27000 0.1574 0.1386
0.13 7.63 27500 0.1576 0.1384
0.1291 7.76 28000 0.1551 0.1366
0.1277 7.9 28500 0.1542 0.1356
0.1241 8.04 29000 0.1545 0.1350
0.1198 8.18 29500 0.1536 0.1322
0.1204 8.32 30000 0.1547 0.1337
0.1195 8.46 30500 0.1494 0.1309
0.1169 8.6 31000 0.1490 0.1300
0.1159 8.74 31500 0.1485 0.1305
0.1142 8.87 32000 0.1479 0.1292
0.1087 9.01 32500 0.1471 0.1284
0.1076 9.15 33000 0.1467 0.1270
0.1078 9.29 33500 0.1467 0.1270
0.1073 9.43 34000 0.1447 0.1256
0.108 9.57 34500 0.1447 0.1257
0.106 9.71 35000 0.1438 0.1255
0.1052 9.84 35500 0.1428 0.1247
0.1044 9.98 36000 0.1430 0.1245

Framework versions

  • Transformers 4.22.0.dev0
  • Pytorch 1.12.0+cu113
  • Datasets 2.4.0
  • Tokenizers 0.12.1