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
g8a9's picture
g8a9
Update README.md
7bcd5f6
preview code
|
raw history blame
No virus
12.8 kB
metadata
license: apache-2.0
language: it
tags:
  - generated_from_trainer
  - robust-speech-event
  - automatic-speech-recognition
datasets:
  - mozilla-foundation/common_voice_7_0
model-index:
  - name: XLS-R-300m - Italian
    results:
      - task:
          name: Automatic Speech Recognition
          type: automatic-speech-recognition
        dataset:
          name: Common Voice 7
          type: mozilla-foundation/common_voice_7_0
          args: it
        metrics:
          - name: Test WER
            type: wer
            value: 16.36

wav2vec2-xls-r-300m-italian-augmented-multids

This model is a fine-tuned version of facebook/wav2vec2-xls-r-300m on the MOZILLA-FOUNDATION/COMMON_VOICE_7_0 - IT dataset. It achieves the following results on the evaluation set:

  • Loss: 0.1633
  • Wer: 0.1636

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