/ Модель

Характеристики

Контекст
1 024 токена
Параметры
464 млн
Лицензия
Apache 2.0
Архитектура
m2m_100 · dense
Базовая модель
nllb-200-distilled-600M
Опубликована
24 июн 2026

bangla-transliteration-v1

ПереводТекст → текст3 профессии

Модель преобразует разговорный бенгальский текст, набранный латиницей, в бенгальское письмо, особенно для индийского бенгальского Западной Бенгалии.

16скачиваний за 30 дней0лайковвеса обновлены24 июн 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

Ana-04/bangla-transliteration-v1 — модель на архитектуре M2M100, дообученная на базе facebook/nllb-200-distilled-600M для транслитерации бенгальского текста, набранного латиницей, в бенгальское письмо. Она рассчитана прежде всего на индийский бенгальский Западной Бенгалии и учитывает разговорные варианты романизации, включая смешение бенгальских слов с английскими.

Модель подходит для клавиатур и методов ввода, API транслитерации, чатов, социальных сетей и издательских инструментов. В отличие от перевода, она передаёт звучание и сохраняет язык исходного текста. В карточке приведены показатели CER 0,0578 и WER 0,1946 на отложенной выборке авторского набора данных; контекст составляет 1024 токена, размер — 463,7 млн параметров. Используются safetensors, лицензия — Apache-2.0.

Качество может быть ниже для романизации, характерной для Бангладеш, редкой технической и научной лексики, формального стиля и сложных слов с редко встречающимися сочетаниями букв. Романизация неоднозначна: разные латинские написания могут соответствовать одному бенгальскому слову, а выбор модели зависит от контекста и примеров в обучающих данных.

Сценарии применения

  • транслитерация сообщений Banglish в бенгальское письмо
  • преобразование латинского ввода в бенгальский для клавиатур и методов ввода
  • транслитерация разговорного бенгальского в чатах и соцсетях
  • преобразование Banglish для публикации и редактирования текстов
  • транслитерация индийского бенгальского в API и NLP-инструментах

Ограничения

Модель ориентирована на индийский бенгальский Западной Бенгалии и может хуже работать с вариантами романизации из Бангладеш. Редкая техническая и научная лексика, формальный стиль и неоднозначная романизация также могут снижать точность.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Bangla Transliteration (Indian Bengali)

Fine-tuned facebook/nllb-200-distilled-600M for Romanized Bengali (Banglish) to Bengali script transliteration, specifically targeting Indian (West Bengal) Bengali romanization patterns rather than Bangladeshi Bengali.

Converts text like ami tomake bhalobashi into native Bengali script: আমি তোমাকে ভালোবাসি

Model description

This model performs transliteration, not translation — it maps the phonetic sounds of Romanized Bengali into the corresponding Bengali script, preserving meaning rather than translating into English-equivalent vocabulary. This distinction matters for words that exist as both English loanwords and Bengali sounds (e.g. "tire" — the model correctly outputs তীরে / "riverbank" in context rather than টায়ার / "vehicle tire").

The model was fine-tuned in two stages:

  1. Base fine-tuning on the Aksharantar Bengali subset (~1.2M word-level Romanized-to-native pairs), establishing broad vocabulary coverage.
  2. Targeted fine-tuning on a custom, hand-curated dataset of colloquial Indian Bengali sentence pairs, covering casual conversation, literary references (Tagore, Sukumar Ray, Kazi Nazrul Islam), regional food and cultural vocabulary, common proverbs, social media and digital-native slang, code-mixing with English, and deliberate romanization variance (e.g. both bhalo and valo for ভালো, reflecting how different people actually type the same word).

Intended use

  • Transliteration APIs and backend services for Bengali-facing products
  • Input methods and keyboard tools for Bengali typists who type phonetically in Latin script
  • Content and publishing tools for Bengali social media, chat applications, and editorial platforms
  • Research and NLP tooling for Indian Bengali specifically, where public resources are scarce compared to Hindi and other major Indic languages

Limitations

  • Optimized for Indian (West Bengal) Bengali. Bangladeshi Bengali uses different romanization conventions and may perform less reliably.
  • Strongest on conversational, everyday vocabulary. Rare technical, scientific, or highly formal vocabulary may be less reliable, particularly less-common conjunct-heavy words that were underrepresented in fine-tuning data.
  • Trained on a relatively small custom fine-tuning set (several hundred sentence pairs). While this meaningfully improved sentence-level coherence over the Aksharantar-only baseline, broader coverage will continue to improve with more data.
  • Romanization is inherently ambiguous (multiple Latin spellings can map to the same Bengali word, and vice versa); the model reflects the conventions present in its training data.

Performance

MetricValue
CER (Character Error Rate)0.0578
WER (Word Error Rate)0.1946

Evaluated on a held-out validation split of the custom fine-tuning dataset. CER is the more representative metric for transliteration quality, as it captures partial correctness at the character level rather than penalizing near-miss words as complete failures.

Usage

from transformers import AutoModelForSeq2SeqLM, NllbTokenizer

tokenizer = NllbTokenizer.from_pretrained(
    "Ana-04/bangla-transliteration-v1",
    src_lang="eng_Latn",
    tgt_lang="ben_Beng",
)
model = AutoModelForSeq2SeqLM.from_pretrained("Ana-04/bangla-transliteration-v1")

text = "ami tomake bhalobashi"
inputs = tokenizer(text, return_tensors="pt")
output = model.generate(
    **inputs,
    forced_bos_token_id=tokenizer.convert_tokens_to_ids("ben_Beng"),
    max_length=64,
    num_beams=4,
)
print(tokenizer.decode(output[0], skip_special_tokens=True))
# আমি তোমাকে ভালোবাসি

Batch inference

texts = ["kemon acho tumi", "gangar tire ghurte jai chol", "aj office e deri hobe"]
inputs = tokenizer(texts, return_tensors="pt", padding=True)
outputs = model.generate(
    **inputs,
    forced_bos_token_id=tokenizer.convert_tokens_to_ids("ben_Beng"),
    max_length=64,
    num_beams=4,
)
for text, output in zip(texts, outputs):
    print(tokenizer.decode(output, skip_special_tokens=True))

Training data

The custom fine-tuning dataset (several hundred hand-written and curated Indian Bengali sentence pairs) was developed specifically for this project to address a gap in publicly available Indian Bengali NLP resources — most existing transliteration datasets are either word-level only or focused on Bangladeshi Bengali. The dataset spans multiple registers: casual texting and social media language, literary and proverbial Bengali, food and cultural vocabulary, kinship and address terms, and deliberate romanization variants reflecting real-world typing diversity. A public release of this dataset is planned.

Training procedure

  • Base model: facebook/nllb-200-distilled-600M
  • Stage 1: Fine-tuned on Aksharantar (Bengali subset), ~10,000 steps, batch size 4 with gradient accumulation, fp16, T4 GPU
  • Stage 2: Further fine-tuned on the custom sentence dataset, 20 epochs with early stopping (best checkpoint at epoch 11), learning rate 2e-5

Citation

If you use this model, please link back to this repository.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
M2M100ForConditionalGeneration
Ревизия весов
1e30443

0 моделей