whisper-small-sv

This model is a fine-tuned version of openai/whisper-small on the dataset/riksdagen audiofolder dataset. It achieves the following results on the evaluation set:

Loss: 0.2917
Wer: 0.2241

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: 1e-05
train_batch_size: 64
eval_batch_size: 64
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 100
training_steps: 20000

Training results

Training Loss	Epoch	Step	Validation Loss	Wer
0.5023	0.04	250	0.5072	0.2949
0.4678	0.08	500	0.4632	0.2780
0.4233	0.12	750	0.4384	0.2749
0.4113	0.17	1000	0.4205	0.2673
0.3994	0.21	1250	0.4079	0.2649
0.3841	0.25	1500	0.3947	0.2609
0.3775	0.29	1750	0.3854	0.2564
0.383	0.33	2000	0.3781	0.2540
0.3651	0.37	2250	0.3721	0.2532
0.3456	0.42	2500	0.3651	0.2517
0.3719	0.46	2750	0.3612	0.2481
0.3399	0.5	3000	0.3561	0.2437
0.3428	0.54	3250	0.3522	0.2465
0.3442	0.58	3500	0.3451	0.2399
0.3315	0.62	3750	0.3431	0.2417
0.3299	0.66	4000	0.3404	0.2428
0.3417	0.71	4250	0.3373	0.2395
0.3399	0.75	4500	0.3332	0.2390
0.3222	0.79	4750	0.3310	0.2385
0.3319	0.83	5000	0.3291	0.2372
0.3188	0.87	5250	0.3265	0.2359
0.3197	0.91	5500	0.3240	0.2378
0.3099	0.96	5750	0.3215	0.2342
0.3132	1.0	6000	0.3195	0.2374
0.286	1.04	6250	0.3179	0.2348
0.2765	1.08	6500	0.3166	0.2354
0.2795	1.12	6750	0.3153	0.2324
0.2825	1.16	7000	0.3145	0.2316
0.2865	1.21	7250	0.3144	0.2329
0.2703	1.25	7500	0.3126	0.2326
0.2792	1.29	7750	0.3121	0.2324
0.2749	1.33	8000	0.3106	0.2325
0.2762	1.37	8250	0.3093	0.2315
0.2813	1.41	8500	0.3080	0.2302
0.2755	1.45	8750	0.3078	0.2321
0.2779	1.5	9000	0.3062	0.2305
0.2764	1.54	9250	0.3059	0.2336
0.2763	1.58	9500	0.3041	0.2310
0.2723	1.62	9750	0.3027	0.2292
0.2756	1.66	10000	0.3026	0.2301
0.2663	1.7	10250	0.3008	0.2262
0.269	1.75	10500	0.3006	0.2280
0.2682	1.79	10750	0.3002	0.2291
0.2721	1.83	11000	0.2994	0.2267
0.2681	1.87	11250	0.2987	0.2288
0.278	1.91	11500	0.2978	0.2296
0.2625	1.95	11750	0.2978	0.2278
0.2583	1.99	12000	0.2967	0.2259
0.2403	2.04	12250	0.2976	0.2276
0.2414	2.08	12500	0.2972	0.2264
0.251	2.12	12750	0.2969	0.2256
0.2404	2.16	13000	0.2968	0.2253
0.2473	2.2	13250	0.2966	0.2253
0.2444	2.24	13500	0.2965	0.2262
0.2512	2.29	13750	0.2962	0.2253
0.2417	2.33	14000	0.2950	0.2280
0.2445	2.37	14250	0.2950	0.2256
0.2461	2.41	14500	0.2949	0.2262
0.2496	2.45	14750	0.2944	0.2261
0.2422	2.49	15000	0.2942	0.2248
0.2415	2.53	15250	0.2940	0.2252
0.2465	2.58	15500	0.2932	0.2269
0.2508	2.62	15750	0.2931	0.2245
0.2339	2.66	16000	0.2930	0.2257
0.2441	2.7	16250	0.2923	0.2247
0.2444	2.74	16500	0.2921	0.2246
0.2416	2.78	16750	0.2918	0.2264
0.2425	2.83	17000	0.2916	0.2251
0.2404	2.87	17250	0.2916	0.2234
0.2456	2.91	17500	0.2911	0.2238
0.2384	2.95	17750	0.2908	0.2252
0.244	2.99	18000	0.2905	0.2251
0.2197	3.03	18250	0.2919	0.2239
0.2194	3.08	18500	0.2919	0.2237
0.2294	3.12	18750	0.2919	0.2243
0.2225	3.16	19000	0.2918	0.2252
0.2229	3.2	19250	0.2919	0.2242
0.2153	3.24	19500	0.2917	0.2241
0.2137	3.28	19750	0.2917	0.2239
0.2194	3.32	20000	0.2917	0.2241

Framework versions

Transformers 4.26.0.dev0
Pytorch 1.12.0a0+8a1a93a
Datasets 2.7.1
Tokenizers 0.13.2

marma/whisper-small-sv

whisper-small-sv

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions