This model is a fine-tuned version of facebook/wav2vec2-xls-r-300m on the common_voice_17_0 dataset. It achieves the following results on the evaluation set:

Loss: 0.2539
Wer: 0.1949

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: 0.0001
train_batch_size: 16
eval_batch_size: 16
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 0.1
num_epochs: 20
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Wer
3.4377	0.1724	500	0.7853	0.6509
0.7415	0.3447	1000	0.4365	0.4855
0.472	0.5171	1500	0.3851	0.4410
0.3678	0.6894	2000	0.3468	0.4292
0.3512	0.8618	2500	0.3287	0.4139
0.3345	1.0341	3000	0.3030	0.3810
0.2976	1.2065	3500	0.3085	0.3702
0.2841	1.3788	4000	0.3024	0.3964
0.2674	1.5512	4500	0.2864	0.3471
0.2693	1.7235	5000	0.2664	0.3411
0.2564	1.8959	5500	0.2700	0.3399
0.2407	2.0683	6000	0.2649	0.3284
0.2225	2.2406	6500	0.2619	0.3243
0.2209	2.4130	7000	0.2634	0.3154
0.2221	2.5853	7500	0.2700	0.3250
0.2104	2.7577	8000	0.2576	0.3115
0.2095	2.9300	8500	0.2522	0.3123
0.2031	3.1024	9000	0.2453	0.2954
0.1849	3.2747	9500	0.2483	0.2949
0.1911	3.4471	10000	0.2454	0.2984
0.1784	3.6194	10500	0.2619	0.2956
0.1891	3.7918	11000	0.2520	0.2870
0.1822	3.9642	11500	0.2456	0.2945
0.1633	4.1365	12000	0.2473	0.2905
0.1594	4.3089	12500	0.2413	0.2863
0.1616	4.4812	13000	0.2499	0.2852
0.1633	4.6536	13500	0.2414	0.2844
0.1652	4.8259	14000	0.2330	0.2894
0.1659	4.9983	14500	0.2339	0.2703
0.1496	5.1706	15000	0.2405	0.2832
0.1468	5.3430	15500	0.2378	0.2731
0.1435	5.5153	16000	0.2328	0.2679
0.1386	5.6877	16500	0.2332	0.2715
0.1422	5.8600	17000	0.2328	0.2683
0.1429	6.0324	17500	0.2500	0.2715
0.1271	6.2048	18000	0.2447	0.2635
0.1374	6.3771	18500	0.2412	0.2679
0.1306	6.5495	19000	0.2403	0.2604
0.1287	6.7218	19500	0.2319	0.2541
0.131	6.8942	20000	0.2407	0.2600
0.1261	7.0665	20500	0.2335	0.2547
0.1202	7.2389	21000	0.2321	0.2509
0.1194	7.4112	21500	0.2380	0.2546
0.1216	7.5836	22000	0.2515	0.2560
0.1139	7.7559	22500	0.2295	0.2502
0.1159	7.9283	23000	0.2291	0.2529
0.1145	8.1007	23500	0.2471	0.2507
0.1072	8.2730	24000	0.2327	0.2456
0.1106	8.4454	24500	0.2243	0.2461
0.1069	8.6177	25000	0.2305	0.2456
0.1116	8.7901	25500	0.2397	0.2486
0.1079	8.9624	26000	0.2417	0.2528
0.094	9.1348	26500	0.2484	0.2442
0.0954	9.3071	27000	0.2385	0.2477
0.0981	9.4795	27500	0.2526	0.2516
0.1037	9.6518	28000	0.2346	0.2391
0.0934	9.8242	28500	0.2342	0.2414
0.0968	9.9966	29000	0.2385	0.2387
0.0954	10.1689	29500	0.2367	0.2389
0.0903	10.3413	30000	0.2346	0.2365
0.0931	10.5136	30500	0.2472	0.2385
0.0911	10.6860	31000	0.2562	0.2368
0.0902	10.8583	31500	0.2375	0.2390
0.0831	11.0307	32000	0.2265	0.2326
0.0822	11.2030	32500	0.2464	0.2305
0.083	11.3754	33000	0.2361	0.2299
0.0802	11.5477	33500	0.2440	0.2389
0.0757	11.7201	34000	0.2435	0.2261
0.0781	11.8925	34500	0.2410	0.2293
0.0823	12.0648	35000	0.2551	0.2423
0.0748	12.2372	35500	0.2448	0.2245
0.0724	12.4095	36000	0.2369	0.2208
0.0716	12.5819	36500	0.2462	0.2280
0.0734	12.7542	37000	0.2407	0.2255
0.0771	12.9266	37500	0.2461	0.2304
0.0715	13.0989	38000	0.2496	0.2237
0.0702	13.2713	38500	0.2515	0.2228
0.0697	13.4436	39000	0.2377	0.2217
0.0712	13.6160	39500	0.2446	0.2182
0.0641	13.7883	40000	0.2461	0.2187
0.0712	13.9607	40500	0.2534	0.2155
0.0644	14.1331	41000	0.2428	0.2140
0.0584	14.3054	41500	0.2595	0.2156
0.0621	14.4778	42000	0.2474	0.2139
0.0634	14.6501	42500	0.2571	0.2184
0.0643	14.8225	43000	0.2556	0.2180
0.0599	14.9948	43500	0.2532	0.2160
0.06	15.1672	44000	0.2468	0.2182
0.0555	15.3395	44500	0.2530	0.2152
0.0542	15.5119	45000	0.2530	0.2080
0.0533	15.6842	45500	0.2414	0.2111
0.0587	15.8566	46000	0.2457	0.2081
0.0556	16.0290	46500	0.2509	0.2085
0.0538	16.2013	47000	0.2500	0.2067
0.052	16.3737	47500	0.2472	0.2076
0.0504	16.5460	48000	0.2537	0.2080
0.0562	16.7184	48500	0.2512	0.2047
0.0487	16.8907	49000	0.2604	0.2058
0.0526	17.0631	49500	0.2530	0.2064
0.0457	17.2354	50000	0.2531	0.2034
0.0483	17.4078	50500	0.2532	0.2032
0.0456	17.5801	51000	0.2585	0.2040
0.0507	17.7525	51500	0.2550	0.2025
0.0471	17.9249	52000	0.2439	0.2003
0.0485	18.0972	52500	0.2517	0.1989
0.0472	18.2696	53000	0.2540	0.2007
0.0472	18.4419	53500	0.2595	0.2016
0.0464	18.6143	54000	0.2491	0.1987
0.0436	18.7866	54500	0.2581	0.1988
0.0443	18.9590	55000	0.2530	0.1978
0.0454	19.1313	55500	0.2525	0.1967
0.039	19.3037	56000	0.2537	0.1956
0.0432	19.4760	56500	0.2571	0.1975
0.0431	19.6484	57000	0.2543	0.1964
0.0449	19.8208	57500	0.2543	0.1950
0.0407	19.9931	58000	0.2539	0.1949

Framework versions

Transformers 4.40.0
Pytorch 2.2.2+cu121
Datasets 2.17.1
Tokenizers 0.19.1

tgrhn/wav2vec2-turkish-300m-8

wav2vec2-turkish-300m-8

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

tgrhn/
wav2vec2-turkish-300m-8