问题描述
我在一些 Ted 演讲中比较了 wav2vec 和 Microsoft STT 的准确度水平。
准确率是单词错误率
|Video |Wav2Vec|MicrosftSTT|
|:---: |:-----:|:---------:|
|[1][1]|8.57 |3.7 |
|[2][2]|13.83 |5.8 |
|[3][3]|20.7 |11.1 |
|[4][4]|12.5 |6.6 |
对于每个文件，Microsoft 都比 Wav2vec 高两倍。 Wav2vec 不应该是最先进的吗？我在这里错过了什么？
我使用了 fairseq 中提供的 960hr big 模型来生成文本
解决方法
暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！
如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@）