/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Опубликована
15 сен 2026

aci-yoruba-phase10

Распознавание речиАудио → текст3 профессии

Акустическая модель Wav2Vec2 для распознавания речи на йоруба, дообученная на примерах ошибок предыдущей версии.

141скачиваний за 30 дней0лайковвеса обновлены20 сен 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 «Распознавание речи» — 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

ACI Yoruba Phase 10 — акустическая модель распознавания речи на йоруба, разработанная Awesome-x. Это дообученная версия акустических весов Phase 9 на выборке AR_Audios: примеры, ошибочно распознанные Phase 9, включались в обучение втрое чаще. Модель построена на архитектуре Wav2Vec2 с CTC-выходом и содержит около 402,7 млн параметров.

Модель предназначена для автоматической транскрипции речи на йоруба. Для декодирования предусмотрены KenLM с параметрами alpha=0.5 и beta=1.0 и фонетическая карта, использовавшиеся также в Phase 9. На отложенной выборке из 55 примеров WER составил 12,33% против 12,63% у Phase 9. В README указано, что более сильная конфигурация декодера Phase X с теми же акустическими весами дала WER 7,09%; для производственного применения автор рекомендует её.

Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка не описывает поддержку распознавания английской речи отдельно, поэтому метку en нельзя считать подтверждением такой возможности; README также не приводит оценки на других выборках.

Сценарии применения

  • транскрибация записей на йоруба
  • распознавание речи на йоруба с CTC-декодированием
  • эксперименты с акустической моделью для ASR на йоруба

Ограничения

На отложенной выборке из 55 записей WER составил 12,33%, а прирост относительно Phase 9 был небольшим. README рекомендует для производственного применения Phase X с более сильной конфигурацией декодера.

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

ACI Yoruba Phase 10

Acoustic weights fine-tuned from Phase 9, using an error-weighted training set (samples Phase 9 got wrong, oversampled 3x) drawn from a 90% split of our AR_Audios dataset. Paired with the same KenLM decoder (alpha=0.5, beta=1.0) and phonetic map as Phase 9.

Evaluation

Measured on the untouched 10% held-out split (55 samples) -- the only samples this model's acoustic weights never saw during fine-tuning.

ModelWER (held-out, normalized)
Phase 912.63%
Phase 10 (this model)12.33%
Phase X (stronger decoder config, same acoustic weights as Phase 10)7.09%

The acoustic fine-tuning here produced a modest 0.3-point gain over Phase 9. A much larger gain came from decoder configuration alone -- for production use, see Awesome-x/aci-yoruba-phaseX, which uses these same acoustic weights with a stronger KenLM weighting and larger unigram vocabulary.

Training configuration

  • Base: Awesome-x/aci-yoruba-phase9 acoustic weights
  • Method: continued fine-tuning, feature encoder frozen
  • Learning rate: 1e-5, 3 epochs
  • Training set: 90% split of AR_Audios (n approx 495), hard examples oversampled 3x

Quickstart

pip install torch transformers pyctcdecode librosa
import torch
import librosa
from transformers import Wav2Vec2ForCTC, Wav2Vec2ProcessorWithLM

REPO_ID = "Awesome-x/aci-yoruba-phase10"
model = Wav2Vec2ForCTC.from_pretrained(REPO_ID)
processor = Wav2Vec2ProcessorWithLM.from_pretrained(REPO_ID)

audio, sr = librosa.load("sample.wav", sr=16000)
input_values = processor(audio, sampling_rate=16000, return_tensors="pt").input_values

with torch.no_grad():
    logits = model(input_values).logits

print(processor.decode(logits[0].numpy()).text)

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
e3a61e4

0 моделей