/ Модель

Характеристики

Лицензия
MIT
Базовая модель
GigaAM-Multilingual
Опубликована
15 июл 2026

GigaAM-Bashkir-CV25

Распознавание речиАудио → текст

Модель преобразует башкирскую речь в текст и предназначена для автоматической расшифровки аудиозаписей.

0скачиваний за 30 дней1лайквеса обновлены15 июл 2026

Бенчмарки

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

Публичные оценки

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

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

AigizK разработал модель распознавания речи на башкирском языке на основе многоязычного GigaAM. Это модель с символьной CTC-архитектурой: энкодер multilingual_ssl на 220 млн параметров дообучен вместе с новой CTC-головой на 42 символа. Модель принимает аудиозаписи и преобразует речь в текст.

Модель обучалась на размеченных записях башкирской речи из Mozilla Common Voice Scripted Speech 25.0. На тестовой выборке Common Voice 25 её нормализованный WER составил 7,73%; оценка рассчитана после перевода текста в нижний регистр и удаления пунктуации. Лицензия модели — MIT.

Модель предназначена прежде всего для расшифровки чистой, заранее прочитанной речи. Она выдаёт нормализованный текст в нижнем регистре без заглавных букв и пунктуации; используется жадное CTC-декодирование без внешней языковой модели. Качество на разговорной речи и в шумных условиях может отличаться от результатов на Common Voice.

Сценарии применения

  • расшифровка записанной башкирской речи
  • транскрибация дикторских записей на башкирском языке
  • подготовка текстовых субтитров для башкирского аудио
  • распознавание речи в корпусах башкирского языка

Ограничения

Модель обучалась и оценивалась на прочитанной речи Common Voice, поэтому её качество на разговорной и шумной речи может отличаться. Выходной текст приведён к нижнему регистру, не содержит пунктуации и получается жадным CTC-декодированием без внешней языковой модели.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

GigaAM Bashkir ASR (Common Voice 25)

Character-level CTC automatic speech recognition model for Bashkir (Башҡорт теле).

The model was fine-tuned from the 220M-parameter multilingual_ssl self-supervised encoder of GigaAM Multilingual. A new 42-character Bashkir CTC head was initialized and trained together with the encoder.

Training data

The model was trained only on Mozilla Common Voice Scripted Speech 25.0 — Bashkir (ba):

SplitClipsHours
Train119,131143.114
Validation14,52519.467
Test14,57219.885

Four prompts containing stray Latin OCR artifacts were excluded (two train and two validation). Common Voice data is released under CC0.

Results

SplitNormalized raw WER
Common Voice 25 validation7.20%
Common Voice 25 test7.73%

WER is computed after lowercasing and punctuation removal. The model is a raw character ASR and does not predict capitalization or punctuation; therefore end-to-end punctuated WER is not an applicable quality measure.

Usage

Install GigaAM and the Hugging Face Hub client:

pip install torch torchaudio huggingface_hub
pip install git+https://github.com/salute-developers/GigaAM.git@559d88d6b72541412743929f633a6ae7c9950b85
import gigaam
from huggingface_hub import hf_hub_download

checkpoint = hf_hub_download(
    repo_id="AigizK/GigaAM-Bashkir-CV25",
    filename="gigaam_bashkir_cv25.ckpt",
)

# CUDA is selected automatically when available. To force CPU, pass device="cpu".
model = gigaam.load_model(checkpoint)

# Audio up to 25 seconds; WAV, MP3, FLAC and other formats supported by GigaAM.
result = model.transcribe("bashkir_audio.wav")
print(result.text)

For a recording longer than 25 seconds, use GigaAM's VAD-based long-form method:

result = model.transcribe_longform("long_bashkir_audio.wav")
text = " ".join(segment.text for segment in result.segments)
print(text)

The model expects speech audio; GigaAM loads and converts the file to mono 16 kHz internally. The output is lowercase Bashkir text without punctuation.

Training configuration

  • Base model: multilingual_ssl (GigaAM Multilingual 220M)
  • Decoder: character-level CTC, 42 characters + blank
  • Epochs: 30
  • Optimizer steps: 223,380
  • Effective batch size: 16 (batch_size=8, accumulation 2)
  • Precision: BF16 mixed
  • Peak learning rate: 3e-4
  • Encoder frozen for epochs 0–2 and unfrozen from epoch 3
  • SpecAugment and activation checkpointing enabled
  • Source revision: salute-developers/GigaAM@559d88d

See training_config.json, dataset_summary.json, and vocab.json for machine-readable details.

Limitations

  • Trained and evaluated on read speech from Common Voice; conversational and noisy-domain quality may differ.
  • Produces normalized lowercase text without punctuation.
  • Greedy CTC decoding is used; no external language model is included.

License

Released under the MIT License, following the base GigaAM model. Commercial use, modification, redistribution, and private use are permitted. The copyright and license notice must be retained when redistributing the model.

Checkpoint SHA-256: 0c32a481ca51245e8cfedeb737d35d0cefc0a2e9d1caf83627b4b8ab17ef4a0d

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
7af0065

0 моделей