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

Loss: 0.1768
Wer: 0.2016

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: 3.4
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Wer
5.7531	0.04	500	5.4564	1.0
2.9882	0.08	1000	3.0041	1.0
2.1953	0.13	1500	1.1723	0.7121
1.2406	0.17	2000	0.3656	0.3623
1.1294	0.21	2500	0.2843	0.2926
1.0731	0.25	3000	0.2554	0.2664
1.051	0.3	3500	0.2387	0.2535
1.0479	0.34	4000	0.2345	0.2512
1.0026	0.38	4500	0.2270	0.2452
0.9921	0.42	5000	0.2212	0.2353
0.9839	0.47	5500	0.2141	0.2330
0.9907	0.51	6000	0.2122	0.2334
0.9788	0.55	6500	0.2114	0.2270
0.9687	0.59	7000	0.2066	0.2323
0.9777	0.64	7500	0.2033	0.2237
0.9476	0.68	8000	0.2020	0.2194
0.9625	0.72	8500	0.1977	0.2191
0.9497	0.76	9000	0.1976	0.2175
0.9781	0.81	9500	0.1956	0.2159
0.9552	0.85	10000	0.1958	0.2191
0.9345	0.89	10500	0.1964	0.2158
0.9528	0.93	11000	0.1926	0.2154
0.9502	0.98	11500	0.1953	0.2149
0.9358	1.02	12000	0.1927	0.2167
0.941	1.06	12500	0.1901	0.2115
0.9287	1.1	13000	0.1936	0.2090
0.9491	1.15	13500	0.1900	0.2104
0.9478	1.19	14000	0.1931	0.2120
0.946	1.23	14500	0.1914	0.2134
0.9499	1.27	15000	0.1931	0.2173
0.9346	1.32	15500	0.1913	0.2105
0.9509	1.36	16000	0.1902	0.2137
0.9294	1.4	16500	0.1895	0.2086
0.9418	1.44	17000	0.1913	0.2183
0.9302	1.49	17500	0.1884	0.2114
0.9418	1.53	18000	0.1894	0.2108
0.9363	1.57	18500	0.1886	0.2132
0.9338	1.61	19000	0.1856	0.2078
0.9185	1.66	19500	0.1852	0.2056
0.9216	1.7	20000	0.1874	0.2095
0.9176	1.74	20500	0.1873	0.2078
0.9288	1.78	21000	0.1865	0.2097
0.9278	1.83	21500	0.1869	0.2100
0.9295	1.87	22000	0.1878	0.2095
0.9221	1.91	22500	0.1852	0.2121
0.924	1.95	23000	0.1855	0.2042
0.9104	2.0	23500	0.1858	0.2105
0.9284	2.04	24000	0.1850	0.2080
0.9162	2.08	24500	0.1839	0.2045
0.9111	2.12	25000	0.1838	0.2080
0.91	2.17	25500	0.1889	0.2106
0.9152	2.21	26000	0.1856	0.2026
0.9209	2.25	26500	0.1891	0.2133
0.9094	2.29	27000	0.1857	0.2089
0.9065	2.34	27500	0.1840	0.2052
0.9156	2.38	28000	0.1833	0.2062
0.8986	2.42	28500	0.1789	0.2001
0.9045	2.46	29000	0.1769	0.2022
0.9039	2.51	29500	0.1819	0.2073
0.9145	2.55	30000	0.1828	0.2063
0.9081	2.59	30500	0.1811	0.2049
0.9252	2.63	31000	0.1833	0.2086
0.8957	2.68	31500	0.1795	0.2083
0.891	2.72	32000	0.1809	0.2058
0.9023	2.76	32500	0.1812	0.2061
0.8918	2.8	33000	0.1775	0.1997
0.8852	2.85	33500	0.1790	0.1997
0.8928	2.89	34000	0.1767	0.2013
0.9079	2.93	34500	0.1735	0.1986
0.9032	2.97	35000	0.1793	0.2024
0.9018	3.02	35500	0.1778	0.2027
0.8846	3.06	36000	0.1776	0.2046
0.8848	3.1	36500	0.1812	0.2064
0.9062	3.14	37000	0.1800	0.2018
0.9011	3.19	37500	0.1783	0.2049
0.8996	3.23	38000	0.1810	0.2036
0.893	3.27	38500	0.1805	0.2056
0.897	3.31	39000	0.1773	0.2035
0.8992	3.36	39500	0.1804	0.2054
0.8987	3.4	40000	0.1768	0.2016

Framework versions

Transformers 4.16.0.dev0
Pytorch 1.10.1+cu102
Datasets 1.17.1.dev0
Tokenizers 0.11.0

Evaluation Commands

To evaluate on mozilla-foundation/common_voice_7_0 with split test

python ./eval.py --model_id AndrewMcDowell/wav2vec2-xls-r-300m-german-de --dataset mozilla-foundation/common_voice_7_0 --config de --split test --log_outputs

To evaluate on test dev data

python ./eval.py --model_id AndrewMcDowell/wav2vec2-xls-r-300m-german-de --dataset speech-recognition-community-v2/dev_data --config de --split validation --chunk_length_s 5.0 --stride_length_s 1.0