/ Модель
Каталог

Характеристики

Параметры
403 млн
Лицензия
MIT
Архитектура
wav2vec2-bert · dense
Базовая модель
w2v-bert-2.0
Библиотека
transformers
Опубликована
31 мая 2025

Ссылки

Hugging Face

w2v-bert-2.0-hausa_579_993h_yourtts

CLEAR-Global
Распознавание речиАудио → текст7 профессий

Дообученная CLEAR-Global модель распознаёт речь на хауса и преобразует аудиозаписи в текст.

50скачиваний за 30 дней1лайквеса обновлены1 июн 2025

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.

Открыть конструктор бенчмарка

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

Модель разработана CLEAR-Global и представляет собой дообученную версию facebook/w2v-bert-2.0 для автоматического распознавания речи на языке хауса. Это плотная модель архитектуры Wav2Vec2-BERT с классом Wav2Vec2BertForCTC, содержащая 402,8 млн параметров; она принимает аудио и выдаёт распознанный текст. Модель обучена на наборе CLEAR-GLOBAL/HAUSA_579_993H_YOURTTS - NA. На оценочном наборе указаны Loss 0,2249, WER 0,3234 и CER 0,1866.

Подходит для транскрибирования записей на хауса и построения систем распознавания речи для этого языка. Опубликована в формате safetensors для библиотеки Transformers. Лицензия — MIT. В карточке отмечено, что модель дообучена от facebook/w2v-bert-2.0; подробные сведения о других ограничениях и условиях оценки не приведены.

Сценарии применения

  • транскрибирование аудиозаписей на хауса
  • распознавание речи в записях интервью на хауса
  • создание текстовых расшифровок хаусаязычных материалов

Ограничения

В карточке приведены метрики на оценочном наборе (WER 0,3234 и CER 0,1866), но не описаны характеристики этого набора и ограничения применения. Подтверждена настройка для хауса; качество для других языков не заявлено.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.7Универсальные способностиРечь, диалоги и встречиAI помогает понимать разговорную речь, поддерживать диалог и превращать встречи в структурированные результаты.17 задач26 923моделиII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделейI.6Универсальные способностиПеревод и языковая адаптацияAI помогает переносить смысл между языками, форматами и культурными контекстами.16 задач16 710моделейI.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953модели

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

w2v-bert-2.0-hausa_579_993h_yourtts

This model is a fine-tuned version of facebook/w2v-bert-2.0 on the CLEAR-GLOBAL/HAUSA_579_993H_YOURTTS - NA dataset. It achieves the following results on the evaluation set:

  • Loss: 0.2249
  • Wer: 0.3234
  • Cer: 0.1866

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 3e-05
  • train_batch_size: 160
  • eval_batch_size: 160
  • seed: 42
  • distributed_type: multi-GPU
  • num_devices: 2
  • total_train_batch_size: 320
  • total_eval_batch_size: 320
  • optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_ratio: 0.1
  • num_epochs: 16.0
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWerCer
0.68460.249110000.45300.41900.2127
0.40480.498120000.32580.37810.2019
0.42720.747230000.28930.36880.1988
0.32240.996340000.28520.35300.1947
0.05431.245350000.27820.35500.1956
0.07471.494460000.29410.36110.1983
0.04161.743570000.27930.34210.1931
0.04761.992580000.27070.34350.1928
0.17362.241690000.24800.33650.1909
0.19512.4907100000.24940.33720.1906
0.21392.7397110000.24220.33490.1899
0.18952.9888120000.24220.33320.1894
0.02233.2379130000.24060.33360.1899
0.02013.4869140000.24280.32940.1888
0.01693.7360150000.24210.33120.1895
0.02823.9851160000.23560.33300.1899
0.13464.2341170000.24050.33310.1901
0.10214.4832180000.23050.32760.1885
0.11644.7323190000.23170.33240.1894
0.11364.9813200000.23720.33110.1890
0.21315.2304210000.23940.32780.1887
0.23635.4795220000.22890.32550.1879
0.24235.7285230000.22500.32530.1879
0.25335.9776240000.22480.32370.1867
0.03076.2267250000.23000.32680.1880
0.03226.4757260000.22660.32620.1872
0.03466.7248270000.22570.32810.1889
0.0556.9738280000.23150.32460.1875
0.13267.2229290000.22620.32550.1875

Framework versions

  • Transformers 4.48.1
  • Pytorch 2.7.0+cu126
  • Datasets 3.6.0
  • Tokenizers 0.21.1

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2BertForCTC
Ревизия весов
8763f9d

0 моделей

    Создать бенчмарк