/ Модель
Каталог

Характеристики

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

Ссылки

Hugging Face

w2v-bert-2.0-igbo_naijavoices_500h

CLEAR-Global
Распознавание речиАудио → текст4 профессии

Модель CLEAR-Global для преобразования речи на игбо в текст, дообученная на основе facebook/w2v-bert-2.0.

88скачиваний за 30 дней1лайквеса обновлены19 июл 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

CLEAR-Global выпустила модель автоматического распознавания речи на игбо, дообученную на основе facebook/w2v-bert-2.0. Это модель архитектуры Wav2Vec2-BERT с 402,7 млн параметров, принимающая аудио и преобразующая речь в текст. В карточке приведены результаты на оценочном наборе: WER 0,2455 и CER 0,1105.

Модель предназначена для распознавания речи на игбо, в том числе для транскрибирования записей и голосовых сообщений. Базовая модель — многоязычный речевой энкодер Conformer; репозиторий содержит веса Safetensors, а для использования заявлена библиотека Transformers. Модель распространяется по лицензии MIT.

Сценарии применения

  • транскрибирование аудиозаписей на игбо
  • распознавание речи в голосовых сообщениях на игбо
  • создание текстовых расшифровок речи на игбо

Ограничения

На оценочном наборе указаны WER 0,2455 и CER 0,1105; результаты на других данных могут отличаться. Карточка не описывает обучающие данные и ограничения применения подробнее.

Для каких профессий подходит4

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 923моделиI.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953моделиI.6Универсальные способностиПеревод и языковая адаптацияAI помогает переносить смысл между языками, форматами и культурными контекстами.16 задач16 710моделейI.9Универсальные способностиАудио и музыкаAI помогает анализировать, очищать, преобразовывать и создавать звук и музыку.15 задач4 835моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

w2v-bert-2.0-igbo_naijavoices_500h

This model is a fine-tuned version of facebook/w2v-bert-2.0 on the None dataset. It achieves the following results on the evaluation set:

  • Loss: 0.2218
  • Wer: 0.2455
  • Cer: 0.1105

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: 50.0
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWerCer
0.9230.690110000.63130.54010.2069
0.46481.380320000.42220.38680.1549
0.36352.070430000.35820.34990.1434
0.33882.760540000.33680.33220.1383
0.29673.450750000.31410.31910.1366
0.27384.140860000.30410.31510.1328
0.31464.830970000.29720.30910.1297
0.26125.521080000.28560.29980.1312
0.2826.211290000.28730.30010.1300
0.29896.9013100000.28640.29590.1309
0.26337.5914110000.26600.28830.1242
0.24718.2816120000.26740.29050.1263
0.27468.9717130000.26710.28220.1224
0.27549.6618140000.26170.28330.1234
0.288110.3520150000.25960.28330.1229
0.271711.0421160000.25240.27600.1221
0.220411.7322170000.25130.27200.1197
0.242912.4224180000.25300.27380.1203
0.242913.1125190000.25110.27450.1194
0.244913.8026200000.25550.27480.1209
0.205314.4928210000.24640.27190.1181
0.22215.1829220000.24280.26590.1195
0.187415.8730230000.24180.26090.1156
0.192416.5631240000.23630.26750.1176
0.185517.2533250000.23360.26290.1151
0.217217.9434260000.23020.26330.1153
0.207418.6335270000.23450.25880.1161
0.158919.3237280000.22040.24740.1137
0.138220.0138290000.22790.25310.1127
0.152520.7039300000.22840.25500.1128
0.14921.3941310000.22210.25090.1122
0.119322.0842320000.22290.24820.1113
0.124522.7743330000.22180.24550.1105

Framework versions

  • Transformers 4.48.1
  • Pytorch 2.7.1+cu126
  • Datasets 4.0.0
  • Tokenizers 0.21.2

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
73f4a8d

0 моделей

    Создать бенчмарк