Edit model card

xls-r-es-test-lm

This model is a fine-tuned version of facebook/wav2vec2-large-xlsr-53 on the MOZILLA-FOUNDATION/COMMON_VOICE_8_0 - ES dataset. It achieves the following results on the test set with lm model:

  • Loss: 0.1304
  • WER: 0.094
  • CER: 0.031

It achieves the following results on the val set with lm model:

  • Loss: 0.1304
  • WER: 0.081
  • CER: 0.025

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: 7.5e-05
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 32
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 2000
  • num_epochs: 10.0
  • mixed_precision_training: Native AMP

Training results

Training Loss Epoch Step Validation Loss Wer
2.9613 0.07 500 2.9647 1.0
2.604 0.14 1000 1.8300 0.9562
1.177 0.21 1500 0.3652 0.3077
1.0745 0.28 2000 0.2707 0.2504
1.0103 0.35 2500 0.2338 0.2157
0.9858 0.42 3000 0.2321 0.2129
0.974 0.49 3500 0.2164 0.2031
0.9699 0.56 4000 0.2078 0.1970
0.9513 0.63 4500 0.2173 0.2139
0.9657 0.7 5000 0.2050 0.1979
0.9484 0.77 5500 0.2008 0.1919
0.9317 0.84 6000 0.2012 0.1911
0.9366 0.91 6500 0.2024 0.1976
0.9242 0.98 7000 0.2062 0.2028
0.9138 1.05 7500 0.1924 0.1863
0.921 1.12 8000 0.1935 0.1836
0.9117 1.19 8500 0.1887 0.1815
0.9064 1.26 9000 0.1909 0.1839
0.9118 1.32 9500 0.1869 0.1830
0.9121 1.39 10000 0.1863 0.1802
0.9048 1.46 10500 0.1845 0.1791
0.8955 1.53 11000 0.1863 0.1774
0.8947 1.6 11500 0.1907 0.1814
0.9073 1.67 12000 0.1892 0.1853
0.8927 1.74 12500 0.1821 0.1750
0.8732 1.81 13000 0.1815 0.1768
0.8761 1.88 13500 0.1822 0.1749
0.8751 1.95 14000 0.1789 0.1715
0.8889 2.02 14500 0.1819 0.1791
0.8864 2.09 15000 0.1826 0.1794
0.886 2.16 15500 0.1788 0.1776
0.8915 2.23 16000 0.1756 0.1719
0.8689 2.3 16500 0.1769 0.1711
0.879 2.37 17000 0.1777 0.1739
0.8692 2.44 17500 0.1765 0.1705
0.8504 2.51 18000 0.1699 0.1652
0.8728 2.58 18500 0.1705 0.1694
0.8523 2.65 19000 0.1674 0.1645
0.8513 2.72 19500 0.1661 0.1611
0.8498 2.79 20000 0.1660 0.1631
0.8432 2.86 20500 0.1636 0.1610
0.8492 2.93 21000 0.1708 0.1688
0.8561 3.0 21500 0.1663 0.1604
0.842 3.07 22000 0.1690 0.1625
0.857 3.14 22500 0.1642 0.1605
0.8518 3.21 23000 0.1626 0.1585
0.8506 3.28 23500 0.1651 0.1605
0.8394 3.35 24000 0.1647 0.1585
0.8431 3.42 24500 0.1632 0.1573
0.8566 3.49 25000 0.1614 0.1550
0.8534 3.56 25500 0.1645 0.1589
0.8386 3.63 26000 0.1632 0.1582
0.8357 3.7 26500 0.1631 0.1556
0.8299 3.77 27000 0.1612 0.1550
0.8421 3.84 27500 0.1602 0.1552
0.8375 3.91 28000 0.1592 0.1537
0.8328 3.97 28500 0.1587 0.1537
0.8155 4.04 29000 0.1587 0.1520
0.8335 4.11 29500 0.1624 0.1556
0.8138 4.18 30000 0.1581 0.1547
0.8195 4.25 30500 0.1560 0.1507
0.8092 4.32 31000 0.1561 0.1534
0.8191 4.39 31500 0.1549 0.1493
0.8008 4.46 32000 0.1540 0.1493
0.8138 4.53 32500 0.1544 0.1493
0.8173 4.6 33000 0.1553 0.1511
0.8081 4.67 33500 0.1541 0.1484
0.8192 4.74 34000 0.1560 0.1506
0.8068 4.81 34500 0.1540 0.1503
0.8105 4.88 35000 0.1529 0.1483
0.7976 4.95 35500 0.1507 0.1451
0.8143 5.02 36000 0.1505 0.1462
0.8053 5.09 36500 0.1517 0.1476
0.785 5.16 37000 0.1526 0.1478
0.7936 5.23 37500 0.1489 0.1421
0.807 5.3 38000 0.1483 0.1420
0.8092 5.37 38500 0.1481 0.1435
0.793 5.44 39000 0.1503 0.1438
0.814 5.51 39500 0.1495 0.1480
0.807 5.58 40000 0.1472 0.1424
0.7913 5.65 40500 0.1471 0.1422
0.7844 5.72 41000 0.1473 0.1422
0.7888 5.79 41500 0.1445 0.1385
0.7806 5.86 42000 0.1435 0.1394
0.7773 5.93 42500 0.1461 0.1424
0.786 6.0 43000 0.1450 0.1413
0.7784 6.07 43500 0.1463 0.1424
0.7937 6.14 44000 0.1438 0.1386
0.7738 6.21 44500 0.1437 0.1383
0.7728 6.28 45000 0.1424 0.1371
0.7681 6.35 45500 0.1416 0.1376
0.776 6.42 46000 0.1415 0.1380
0.7773 6.49 46500 0.1416 0.1371
0.7692 6.56 47000 0.1398 0.1345
0.7642 6.62 47500 0.1381 0.1341
0.7692 6.69 48000 0.1392 0.1334
0.7667 6.76 48500 0.1392 0.1348
0.7712 6.83 49000 0.1398 0.1333
0.7628 6.9 49500 0.1392 0.1344
0.7622 6.97 50000 0.1377 0.1329
0.7639 7.04 50500 0.1361 0.1316
0.742 7.11 51000 0.1376 0.1327
0.7526 7.18 51500 0.1387 0.1342
0.7606 7.25 52000 0.1363 0.1316
0.7626 7.32 52500 0.1365 0.1313
0.752 7.39 53000 0.1354 0.1309
0.7562 7.46 53500 0.1362 0.1312
0.7557 7.53 54000 0.1358 0.1325
0.7588 7.6 54500 0.1343 0.1311
0.7485 7.67 55000 0.1346 0.1301
0.7466 7.74 55500 0.1354 0.1314
0.7558 7.81 56000 0.1359 0.1325
0.7578 7.88 56500 0.1363 0.1334
0.7411 7.95 57000 0.1346 0.1301
0.7478 8.02 57500 0.1355 0.1305
0.7451 8.09 58000 0.1349 0.1302
0.7383 8.16 58500 0.1349 0.1294
0.7482 8.23 59000 0.1341 0.1293
0.742 8.3 59500 0.1338 0.1296
0.7343 8.37 60000 0.1348 0.1307
0.7385 8.44 60500 0.1324 0.1282
0.7567 8.51 61000 0.1334 0.1281
0.7342 8.58 61500 0.1338 0.1289
0.7401 8.65 62000 0.1331 0.1285
0.7362 8.72 62500 0.1329 0.1283
0.7241 8.79 63000 0.1323 0.1277
0.7244 8.86 63500 0.1317 0.1269
0.7274 8.93 64000 0.1308 0.1260
0.7411 9.0 64500 0.1309 0.1256
0.7255 9.07 65000 0.1316 0.1265
0.7406 9.14 65500 0.1315 0.1270
0.7418 9.21 66000 0.1315 0.1269
0.7301 9.27 66500 0.1315 0.1273
0.7248 9.34 67000 0.1323 0.1274
0.7423 9.41 67500 0.1309 0.1267
0.7152 9.48 68000 0.1312 0.1271
0.7295 9.55 68500 0.1306 0.1262
0.7231 9.62 69000 0.1308 0.1263
0.7344 9.69 69500 0.1313 0.1267
0.7264 9.76 70000 0.1305 0.1263
0.7309 9.83 70500 0.1303 0.1262
0.73 9.9 71000 0.1303 0.1261
0.7353 9.97 71500 0.1304 0.1260

Framework versions

  • Transformers 4.17.0.dev0
  • Pytorch 1.10.2+cu102
  • Datasets 1.18.3
  • Tokenizers 0.11.0
Downloads last month
5
Hosted inference API
or or
This model can be loaded on the Inference API on-demand.

Dataset used to train glob-asr/xls-r-es-test-lm

Space using glob-asr/xls-r-es-test-lm 1

Evaluation results