/ Модель

Характеристики

Лицензия
MIT
Опубликована
2 фев 2026

SraVaani-1.0

Распознавание речиАудио → текст8 профессий

SraVaani-1.0 — модель автоматического распознавания речи (ASR), разработанная ARTPARK-IISc.

3 992скачиваний за 30 дней89лайковвеса обновлены2 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки1

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • Monsoon

    WER · ниже — лучше

    Результат

    11,21 %

    Open ASR

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Она предназначена для преобразования аудиозаписей в текст, включая распознавание речи на индийских языках и диалектах в сценариях транскрибации и обработки голосовых данных.

Модель основана на архитектуре FastConformer и содержит около 430 млн параметров. Она использует гибридный декодер TDT-CTC, доступна в формате FP16 и занимает примерно 900 МБ. Предварительное обучение проводилось на 31 255 часах речи из набора Vaani, охватывающего 105 языков, а последующая настройка — примерно на 31 270 часах транскрибированной речи на 65 индийских языках и диалектах. Также применялось выравнивание аудио и изображений на 11 млн пар, что предназначено для улучшения представлений аудиоданных.

Модель поддерживает, среди прочих, Assamese, Bengali, Gujarati, Hindi, Kannada, Malayalam, Marathi, Nepali, Odia, Punjabi, Sanskrit, Tamil и Telugu, а также множество региональных языков и диалектов; поддерживается и English. Качество существенно различается между языками: для Hindi средний WER составляет 12,4%, тогда как для некоторых малоресурсных языков он превышает 70–90%, поэтому результаты требуют проверки в конкретном сценарии. Urdu и Kashmiri в выпущенной версии не поддерживаются. Модель распространяется по лицензии MIT.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Overview

This is a ~430 million parameter FastConformer-based Automatic Speech Recognition (ASR) model with a hybrid TDT-CTC decoder. The model is quantized to FP16, resulting in a total model size of approximately 900 MB. The model was pretrained from scratch using 31,255 hours of speech data from the Vaani dataset, covering 105 languages. It then underwent an audio-image alignment stage using 11 million audio-image pairs from the Vaani dataset to leverage multimodal relationships for learning richer audio representations.. Finally, the model was fine-tuned on approximately 31,270 hours of transcribed speech data spanning 65 Indian languages and dialects, using a combination of the Vaani dataset and multiple open-source speech datasets.

Supported Languages

The model supports 65 Indian languages and dialects, covering all major language families spoken across the country. It includes widely spoken scheduled languages such as Assamese, Bengali, Bodo, Dogri, Gujarati, Hindi, Kannada, Konkani, Maithili, Malayalam, Manipuri, Marathi, Nepali, Odia, Punjabi, Sanskrit, Santali, Sindhi, Tamil, and Telugu.

In addition, the model supports numerous regional and low-resource languages and dialects, including Angami, Angika, Ao, Awadhi, Bajjika, Bearybashe, Bhili, Bhojpuri, Bundeli, Chakhesang, Chakma, Chhattisgarhi, English, Garhwali, Garo, Gondi, Halbi, Haryanvi, Idu Mishmi, Jaipuri, Karbi, Khariboli, Khortha, Kokborok, Kumaoni, Kurukh, Magadhi, Malvani, Marwari, Mizo, Nagamese, Nagpuri, Nyishi, Rajasthani, Rengma, Rongmei, Sadri, Sambalpuri, Sumi, Surgujia, Surjapuri, Tagin, Thethi, Tulu, and Wancho. Note: Although the pretraining corpus covered 105 languages, this released model is fine-tuned for 65 Indian languages and dialects. Urdu and Kashmiri are not supported in this release.

Sample Usage


import sys, torch
from transformers import AutoModel
access_token=<hf_token>
REPO = "ARTPARK-IISc/SraVaani-1.0"
DEV = "cuda" if torch.cuda.is_available() else "cpu"
model = AutoModel.from_pretrained(REPO, trust_remote_code=True,token=access_token).to(DEV).eval()

fpath=<file_path>
hyps = model.transcribe(fpath, return_hypotheses=True)
for path, h in zip(sys.argv[1:], hyps):
    print(f"{path}\t{h.text}")

# --- lower-level alternative (explicit processor) ---
# from transformers import AutoProcessor
# import soundfile as sf   # or: import wave (stdlib) for PCM WAV
# proc = AutoProcessor.from_pretrained(REPO, trust_remote_code=True)
# wav, sr = sf.read(path, dtype="float32")   # average channels if stereo
# inputs = proc(wav, sampling_rate=sr, return_tensors="pt").to(DEV)
# text = proc.batch_decode(model.generate(**inputs))[0]


ONNX Export

The ONNX version of this model, along with a sample inference script is available here: SraVaani ONNX

Performance

Scheduled languages

LanguageAvg WERCommonVoiceFleursGramVaaniIndicTTSIndicVoices-RKathbathMUCSRESPINVaani
Assamese19.422.618.8––––––16.9
Bengali19.814.115.2–26.2–12.3–26.924.1
Bodo20.9––––20.9––––
Dogri32.0––––32.0––––
Gujarati19.0–18.2–18.4–14.926.6–16.8
Hindi12.412.710.920.939.1–9.114.610.810.8
Kannada27.4–21.4–17.4–16.6–27.454.1
Konkani54.7––––––––54.7
Maithili27.5–––––––20.234.8
Malayalam27.733.519.9–19.4–31.5––34.1
Manipuri41.6––––––––41.6
Marathi19.716.618.1–14.2–17.822.016.133.4
Nepali31.345.826.6––––––21.5
Odia25.729.420.3–18.7–21.421.4–43.2
Punjabi20.229.315.9–––13.6––22.1
Sanskrit36.4–––––36.4–––
Santali57.3––––––––57.3
Sindhi23.2––––23.2––––
Tamil26.228.928.1–21.1–23.324.1–32.0
Telugu25.1–23.1–20.9–21.326.425.433.5

Non-scheduled languages

LanguageAvg WERRESPINVaani
Angami78.3–78.3
Angika31.4–31.4
Ao57.7–57.7
Awadhi43.8–43.8
Bajjika34.4–34.4
Bearybashe77.8–77.8
Bhili73.5–73.5
Bhojpuri27.820.834.8
Bundeli36.0–36.0
Chakhesang75.8–75.8
Chakma51.2–51.2
Chhattisgarhi27.414.540.3
English14.8–14.8
Garhwali53.5–53.5
Garo9.5–9.5
Gondi82.8–82.8
Halbi51.6–51.6
Haryanvi48.1–48.1
Idu Mishmi64.1–64.1
Jaipuri28.1–28.1
Karbi63.3–63.3
Khariboli27.0–27.0
Khorth/Khortha/Khorthkhotta41.3–41.3
Kokborok68.2–68.2
Kumaoni30.4–30.4
Kurukh75.8–75.8
Magadhi/Magahi30.423.037.8
Malvani30.4–30.4
Marwari39.7–39.7
Mizo25.3–25.3
Nagamese50.1–50.1
Nagpuri58.8–58.8
Nyishi91.9–91.9
Rajasthani41.8–41.8
Rengma71.7–71.7
Rongmei92.4–92.4
Sadri58.8–58.8
Sambalpuri62.7–62.7
Sumi78.5–78.5
Surgujia37.5–37.5
Surjapuri69.1–69.1
Tagin61.1–61.1
Thethi41.2–41.2
Tulu57.3–57.3
Wancho67.6–67.6

Limitations

Although the model supports 65 Indian languages and dialects, the amount of fine-tuning data varies significantly across languages. For several low-resource languages, the available training data is limited, which may result in lower recognition accuracy compared to high-resource languages.

Fine-tuning

You can fine-tune the SraVaani 1.0 speech recognition model on your own data using the SraVaani repo.

The repo includes scripts to download the base checkpoint and run fine-tuning with NVIDIA NeMo on custom Indian-language audio. It also includes a notebook demonstrating an example fine-tuning run.

Checkpoint access: The checkpoint download and request-access links are available in the repo's README. If you don't already have access, you can request it there — access will be granted as soon as possible.

Feedback

We welcome feedback, suggestions, and bug reports from the community. If you encounter any issues or have questions about the model, please contact us at:

vaanicontact@gmail.com and agneedh@artpark.in

Citation

If you use this model, please cite the following:

@misc{pulikodan2026sravaani10scalinginclusive,
      title={SraVaani 1.0: Scaling Inclusive Speech Recognition for Indic Languages}, 
      author={Sujith Pulikodan and Agneedh Basu and Pavan Kumar J and Pranav D Bhat and Suryansh Shukla and Nihar Desai and Prasanta Kumar Ghosh},
      year={2026},
      eprint={2608.08235},
      archivePrefix={arXiv},
      primaryClass={eess.AS},
      url={https://arxiv.org/abs/2608.08235}, 
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Не удалось определить, чем загружать веса модели (нет library_name и architectures).

Ревизия весов
f5dd535

0 моделей