/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-large-v3
Опубликована
12 июн 2026

NaijaVox-V1

Распознавание речиАудио → текст8 профессий

NaijaVox-V1 — модель Axiveri на базе Whisper-large-v3 для транскрибации речи на йоруба, хауса, игбо, нигерийском пиджине и нигерийском английском.

277скачиваний за 30 дней6лайковвеса обновлены30 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 «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

NaijaVox-V1 — модель распознавания речи от Axiveri, дообученная методом LoRA на базе OpenAI Whisper-large-v3 для нигерийских языков и акцентов. Она преобразует аудио в текст на йоруба, хауса, игбо, нигерийском пиджине и нигерийском варианте английского; для йоруба заявлена поддержка диакритических знаков. Репозиторий содержит веса в формате Safetensors и расширенный токенизатор с новыми языковыми токенами.

Модель предназначена для транскрибации речи в мобильных приложениях, банковском обслуживании, СМИ, здравоохранении, образовании и средствах доступности, а также для исследований распознавания малоресурсных языков Западной Африки. В README приведены результаты оценки на небольших тестовых выборках FLEURS и других наборах: например, WER составляет 16,8% для нигерийского пиджина, 21,1% для нигерийского английского и 28,8% для йоруба. Эти результаты не гарантируют аналогичного качества на других записях и условиях.

Модель рассчитана на входное аудио и выдаёт текст. В карточке не приведены сведения о размере модели и длине контекста. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация интервью и радиопередач на нигерийских языках
  • голосовой ввод в мобильных приложениях для носителей йоруба, хауса и игбо
  • распознавание речи клиентов в банковских и финтех-сервисах
  • подготовка текстовых записей приёма пациентов
  • создание субтитров и текстовых версий учебных материалов
  • распознавание нигерийской речи для средств доступности

Ограничения

В README опубликованы результаты только для выборок по 50 примеров на язык, поэтому они могут не отражать качество на иных данных и в шумных условиях. Заявленные показатели для двух оставшихся поддерживаемых языков в доступном тексте README не приведены.

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
LanguageWER
🇳🇬 Pidgin16.8%
🇳🇬 Nigerian English21.1%
🇳🇬 Yoruba28.8%
🇳🇬 Hausa31.0%
🇳🇬 Igbo41.9%

Nigeria's Voice in AI.

NaijaVox-V1 is the first open-weight automatic speech recognition model fine-tuned specifically for Nigerian languages — Yoruba (with full diacritics), Hausa, Igbo, Nigerian Pidgin, and Nigerian-accented English. Built on OpenAI Whisper-large-v3 using parameter-efficient LoRA fine-tuning, NaijaVox is designed to be practical, deployable, and accessible to Nigerian developers and researchers.

"Every Nigerian deserves to be heard and understood by AI — in their own language, with their own voice."

→ NaijaVox-2.0 is now available — the improved second generation with 19.1% better average WER, SpecAugment, noise augmentation, and 25,866 training samples across 7 datasets.


🗣️ Languages Supported

LanguageISO CodeScriptToken
YorubayoLatin + full diacritics (ẹ, ọ, ṣ, à, á, etc.)<|yo|>
HausahaLatin + special chars (ƙ, ƴ, ɗ, etc.)<|ha|>
IgboigLatin + diacritics<|ig|>
Nigerian PidginpcmLatin<|pcm|>
Nigerian EnglishenLatin<|en|>

Note: <\|ig\|> and <\|pcm\|> are new language tokens added to the Whisper vocabulary. The extended tokenizer is included in this repository.


🚀 Quick Start

from transformers import pipeline

pipe = pipeline(
    "automatic-speech-recognition",
    model="Axiveri/NaijaVox-V1",
    device=0  # use GPU, or remove for CPU
)

result = pipe("your_audio.wav")
print(result["text"])

Specifying Language

from transformers import WhisperProcessor, WhisperForConditionalGeneration
import torch

model     = WhisperForConditionalGeneration.from_pretrained("Axiveri/NaijaVox-V1")
processor = WhisperProcessor.from_pretrained("Axiveri/NaijaVox-V1")
vocab     = processor.tokenizer.get_vocab()

# Map language to token
LANG_TOKENS = {
    "yoruba":           "<|yo|>",
    "hausa":            "<|ha|>",
    "igbo":             "<|ig|>",
    "nigerian_english": "<|en|>",
    "pidgin":           "<|pcm|>",
}

def transcribe(audio_array, sampling_rate, language="yoruba"):
    lang_id    = vocab[LANG_TOKENS[language]]
    transcribe = vocab["<|transcribe|>"]
    notimestamps = vocab["<|notimestamps|>"]
    forced_ids = [[1, lang_id], [2, transcribe], [3, notimestamps]]

    inputs = processor.feature_extractor(
        audio_array, sampling_rate=sampling_rate, return_tensors="pt"
    ).input_features

    with torch.no_grad():
        generated = model.generate(
            input_features=inputs,
            forced_decoder_ids=forced_ids,
            max_new_tokens=448
        )
    return processor.tokenizer.decode(generated[0], skip_special_tokens=True)

📊 Benchmark Results

Evaluated on FLEURS test splits (Yoruba, Hausa, Igbo), Nigerian Pidgin ASR test set, and Nigerian Accented English dataset. 50 samples per language, greedy decoding.

LanguageWER (%)Test SetSamples
🇳🇬 Nigerian Pidgin16.8asr-nigerian-pidgin/nigerian-pidgin-1.050
🇳🇬 Nigerian English21.1benjaminogbonna/nigerian_accented_english50
🇳🇬 Yoruba28.8google/fleurs yo_ng50
🇳🇬 Hausa31.0google/fleurs ha_ng50
🇳🇬 Igbo41.9google/fleurs ig_ng50
Average27.9—250

Lower WER = better. Human-level transcription is approximately 5–10%.


🎙️ Sample Transcriptions

Real audio samples from FLEURS test, Nigerian English, and Pidgin datasets — data the model never saw during training. Transcriptions generated live by the published model itself.

Yoruba

TranscriptionAudioNaijaVox Output
àwọn èyàn ti mọ̀ nípa àwọn kemika pepe bí wúrà fàdákà àti kọ́pa àtijọ́ torípé a lè rí wọn ní ìṣẹ̀dá ní ipò àdáyéba wọn kò dẹ̀ le jù láti wú wọn jáda láti inú ilẹ̀ pẹ̀lú irinṣẹ́ àtilẹ̀báàwọn èèyàn ti mọ̀ nípa wọn kẹ́míkà pépè bí wúra fadaka àti kọpa àtijọ́ torí pé a lè rí wọ́n ní ìṣẹ̀dá ní ipò àdáyébá wọn kò dẹ̀ lé ju láti wu wọn jájájá látinú ilẹ̀ pẹ̀lú irinṣẹ́ à
àwọn ara ìrano lo kọ́kọ́ bẹ̀rẹ̀ si ni sin ewure ní bíi ọdún 15,0000 sẹ́yìn ní oke sagrosiàwọn ará ìránu olókọ́kọ́ bẹ̀rẹ̀ sí ni sin ewu rẹ́ níbi ọdún 1500 sẹ́yìn ìní òkè ságrọ́sì

Hausa

TranscriptionAudioNaijaVox Output
an kwatanta faretin gine-ginen da ke yin sararin samaniyar hong kong da ginshiƙi mai walƙiya wanda aka bayyana ta gaban ruwan victoria harboran kwatanta ferretton gine-ginen da ke yin sararin samaniya hong kong da yin shiki mai walƙiya wanda aka bayyana ta gaban ruwan victoria harbor
aristotle masanin falsafa ne yayi tunanin cewa komai ya kunshi cakuda daya ko fiye daga abubuwa hudu sun kasance ƙasa ruwa iska da wutaaristotle masanin falsafani ya yi tunanin cewa komai ya kunshi ca kuɗaɗaya ko fiye daga abubuwa hudu sun kasance ƙasa ruwa iska da wuta

Igbo

TranscriptionAudioNaijaVox Output
ka akara rossby na-adị obere karịa ka arụmarụ na-adịkwu obere nke kpakpando n'ikwanye ugwu nye ụmụ ntụgharị nke ihendọtaakara rossby na-adị obere karịa ka arụmarụ na-adịkwa obere nke kpakpando n'ịkwanye ugwu onyewu mọntụgharị nke ihe ndọta
ka agha dara mba britenị jiri ndị agha elu mmiri gbochie ndị jamani inweta enyemakata agha dara mba briteni jiri ndị agha elu mmiri gbochi ndị jamani inweta enyemaka

Nigerian English

TranscriptionAudioNaijaVox Output
Closing the Google assistant app prevents it from working with your headphones.Closing the Google assistant app prevents it from working with your headphones. ✅
Head south on Ibo Road towards Emir RoadHead south on Ibo Road towards Emir Road ✅

Nigerian Pidgin

TranscriptionAudioNaijaVox Output
on top di injury her uncle no even carry her go hospital for treatmentuntop di injury and her uncle no even carry her go hospital for treatment
she tell don jazzy for december 2016 say as she beshe tell don jazzy for december 2016 say as she be ✅

🏗️ Model Architecture

Input Audio (16kHz)
        │
        ▼
Whisper-large-v3 Encoder  (frozen during fine-tuning)
        │  1500 × 1280 features
        ▼
Whisper Decoder + LoRA    (r=32, alpha=64, fine-tuned)
  target modules: q_proj, k_proj, v_proj, out_proj
  trainable params: 31,457,280 / 1,574,950,400 (1.997%)
        │
        ▼
Extended Tokenizer         (vocab: 51,868 tokens)
  + <|ig|> Igbo token
  + <|pcm|> Nigerian Pidgin token
        │
        ▼
Transcript

📦 Training Details

ParameterValue
Base modelopenai/whisper-large-v3
Fine-tuning methodLoRA (PEFT)
LoRA rank32
LoRA alpha64
Target modulesq_proj, k_proj, v_proj, out_proj
Training precisionfp16
Batch size8 × gradient accumulation 2 = 16 effective
Learning rate1e-3 with 50 warmup steps
Epochs2 (selected by WER, not loss)
Total training samples13,866
GPUTesla T4 × 2 (Kaggle)
Training time~20 hours total

Training Datasets

DatasetLanguageSamplesLicense
google/fleurs (yo_ng)Yoruba2,339CC-BY 4.0
google/fleurs (ha_ng)Hausa3,259CC-BY 4.0
google/fleurs (ig_ng)Igbo2,839CC-BY 4.0
benjaminogbonna/nigerian_accented_english_datasetNigerian English2,721Apache 2.0
asr-nigerian-pidgin/nigerian-pidgin-1.0Nigerian Pidgin2,708CC-BY 4.0
Total5 languages13,866

✅ Intended Use

NaijaVox-V1 is designed for:

  • 🏦 Fintech & banking — voice-based transactions and customer service in Nigerian languages
  • 📱 Mobile apps — voice input for Yoruba, Hausa, Igbo, and Pidgin speakers
  • 🎙️ Media & journalism — transcribing interviews and broadcasts in Nigerian languages
  • 🏥 Healthcare — patient intake and medical documentation
  • 📚 Education — language learning tools and accessibility
  • 🔬 Research — low-resource ASR study for West African languages
  • ♿ Accessibility — assistive technology for Nigerians with disabilities

🚫 Prohibited Use

The following uses are explicitly prohibited under this model's responsible use policy:

  • ❌ Non-consensual surveillance — transcribing phone calls, conversations, or audio without the knowledge and consent of all parties
  • ❌ Fraud facilitation — using transcription output to generate misleading records, forge spoken statements, or support advance-fee fraud (419 scams)
  • ❌ Deepfake pipelines — combining with TTS models to create fake audio-text pairs attributed to real people
  • ❌ Discriminatory systems — building applications that deny services based on language or accent identification derived from this model
  • ❌ Political disinformation — generating or verifying false transcripts of political speech

While the Apache 2.0 license permits broad commercial use, these prohibited uses apply as a binding behavioral restriction under Axiveri's Responsible AI Use Policy.


👤 Creator

Emmanuel Ariyo (Ememzyvisuals) — Founder, Axiveri

NaijaVox-V1 was conceived, built, and trained by Emmanuel Ariyo, combining ML engineering with a Nigerian cultural design identity to bring open-weight speech recognition to Yoruba, Hausa, Igbo, Nigerian Pidgin, and Nigerian English speakers.


👥 About Axiveri

Axiveri is building Africa's AI infrastructure — open models, open data, and open tools for African languages and developers.


📄 Citation

@misc{naijavox2026,
  title        = {NaijaVox-V1: Open-Weight Speech Recognition for Nigerian Languages},
  author       = {Ariyo, Emmanuel (Ememzyvisuals)},
  year         = {2026},
  publisher    = {HuggingFace},
  howpublished = {\url{https://huggingface.co/Axiveri/NaijaVox-V1}}
}

📜 License

Apache 2.0 — free for commercial and research use with attribution. Additional behavioral restrictions apply as described in the Prohibited Use section above.


Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
WhisperForConditionalGeneration
Ревизия весов
7e43411

0 моделей