tomascufaro/xls-r-es-test - AI Model Zoo

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