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