/ Модель

Характеристики

Контекст
512 токенов
Параметры
403 млн
Лицензия
OpenRAIL
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-xls-r-300m
Библиотека
transformers
Опубликована
22 дек 2025

roest-v3-wav2vec2-315m

Распознавание речиАудио → текст6 профессий

Дообученная на датском датасете CoRal-v3 модель Wav2Vec2-XLS-R для транскрибирования разговорной и прочитанной вслух речи.

2 631скачиваний за 30 дней3лайкавеса обновлены19 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

Røst-v3-wav2vec2-315m — модель распознавания датской речи, разработанная в Alexandra Institute в рамках проекта CoRal. Это архитектура Wav2Vec2-XLS-R с классификатором CTC, дообученная на датасете CoRal-v3, который включает разговорную и прочитанную вслух речь с разными диалектами, возрастными группами и голосами. По метаданным модель содержит 402,7 млн параметров; в таблицах README для этой версии указано 315 млн.

Модель предназначена для преобразования датской речи в текст, в том числе для транскрибирования разговоров и чтения вслух. На оценке CoRal-v3 Character Error Rate составил 13,7% для разговорной речи и 5,9% для прочитанной вслух. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия OpenRAIL, адаптированная под датасет CoRal-v3, допускает коммерческое применение с ограничениями, в частности на синтез речи и биометрическую идентификацию.

Сценарии применения

  • транскрибирование разговоров на датском языке
  • распознавание датской речи с диалектными особенностями
  • преобразование датских аудиозаписей в текст
  • распознавание датского чтения вслух

Ограничения

Качество зависит от типа речи: на CoRal-v3 CER составляет 13,7% для разговорной речи и 5,9% для чтения вслух. Лицензия ограничивает использование для синтеза речи и биометрической идентификации.

Для каких профессий подходит6

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

Røst-v3-wav2vec2-315m

This is a Danish state-of-the-art speech recognition model, trained as part of the CoRal project by the Alexandra Institute.

This repository contains a Wav2vec2-XLSR-300M model trained on the CoRal-v3 dataset. The CoRal-v3 dataset includes a rich variety of Danish conversational and read-aloud data, distributed across diverse age groups, genders, and dialects. The model is designed for automatic speech recognition (ASR).

Quick Start

Start by installing the required libraries:

$ pip install transformers

Next you can use the model using the transformers Python package as follows:

>>> from transformers import pipeline
>>> audio = get_audio()  # 16kHz raw audio array
>>> transcriber = pipeline(model="CoRal-project/roest-v3-wav2vec2-315m")
>>> transcriber(audio)
{'text': 'your transcription'}

Model Details

Wav2vec2 is a state-of-the-art model architecture for speech recognition, leveraging self-supervised learning from raw audio data. The pre-trained Wav2vec2-XLS-R has been fine-tuned for automatic speech recognition with the CoRal-v3 dataset dataset to enhance its performance in recognising Danish speech with consideration to different dialects. The model was trained using the CoRal model training framework by running:

uv run accelerate launch \
  --use-deepspeed \
  --zero-stage 2 \
  src/scripts/finetune_asr_model.py \
  model=wav2vec2-small \
  per_device_batch_size=64 \
  max_steps=100000

Note that the dataset, and thus also this model, is licensed under a custom license, adapted from OpenRAIL-M, which allows commercial use with few restrictions (speech synthesis and biometric identification) - see license.


Evaluation

The model was evaluated using Character Error Rate (CER), which is the percentage of characters incorrectly transcribed.

Conversational CoRal Performance

ModelNumber of parametersFinetuned on data of typeCoRal-v3::conversation CER
CoRal-project/roest-v3-whisper-1.5b1540MRead-aloud and conversation11.6%
CoRal-project/roest-v3-wav2vec2-315m (this model)315MRead-aloud and conversation13.7%
CoRal-project/roest-v2-wav2vec2-315m315MRead-aloud and conversation24.2%
CoRal-project/roest-v1-wav2vec2-315m315MRead-aloud17.6%
CoRal-project/roest-v1-whisper-1.5b1540MRead-aloud35.6%
syvai/hviske-v3-conversation1540MRead-aloud and conversation15.1%
syvai/hviske-v21540MRead-aloud29.4%
openai/whisper-large-v31540M-27.5%

Read-aloud CoRal Performance

ModelNumber of parametersFinetuned on data of typeCoRal-v3::read_aloud CER
CoRal-project/roest-v3-whisper-1.5b1540MRead-aloud and conversation4.5%
CoRal-project/roest-v3-wav2vec2-315m (this model)315MRead-aloud and conversation5.9%
CoRal-project/roest-v2-wav2vec2-315m315MRead-aloud and conversation6.4%
CoRal-project/roest-v1-wav2vec2-315m315MRead-aloud8.2%
CoRal-project/roest-v1-whisper-1.5b1540MRead-aloud4.0%
syvai/hviske-v3-conversation1540MRead-aloud and conversation4.5%
syvai/hviske-v21540MRead-aloud4.0%
openai/whisper-large-v31540M-10.1%

Creators and Funders

This model has been trained and the model card written by Dan Saattrup Smart at the Alexandra Institute.

The CoRal project is funded by the Danish Innovation Fund and consists of the following partners:

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
beb3e79

0 моделей