Edit model card

xls-r-es-test

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 evaluation set:

  • Loss: 0.1304
  • WER: 0.1261
  • CER: 0.035

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
21

Dataset used to train tomascufaro/xls-r-es-test

Evaluation results