/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
funasr
Опубликована
15 авг 2026

DictateASR0.5

Распознавание речиАудио → текст

Дообученная на базе SenseVoiceSmall модель распознаёт речь и транскрибирует диктовку с возможностью локального запуска на edge-устройствах.

2скачиваний за 30 дней0лайковвеса обновлены15 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

DictateAI SenseVoice — модель распознавания речи, дообученная разработчиком репозитория на базе SenseVoiceSmall для голосовой диктовки и транскрибирования речи в реальном времени. Она предназначена для локального запуска на устройствах с ограниченными ресурсами, включая Raspberry Pi 5, а также на NVIDIA GPU. В репозитории есть объединённые веса PyTorch FP32, отдельный LoRA-адаптер и динамически квантованная модель ONNX INT8; для загрузки указан FunASR.

В README приведены результаты измерений на LibriSpeech test-clean и Common Voice 17.0 для английской речи, включая WER, CER и скорость обработки на Raspberry Pi 5 и GPU. Карточка указывает поддержку английского, немецкого, китайского, японского и корейского языков. Модель рассчитана на аудиовход и выдаёт распознанный текст. Лицензия — Apache-2.0.

Сценарии применения

  • голосовая диктовка на Raspberry Pi 5
  • локальная транскрибация записанной речи
  • распознавание английской речи в реальном времени
  • транскрибация речи на немецком, китайском, японском и корейском

Ограничения

Приведённые в README результаты относятся к конкретным тестам на LibriSpeech test-clean и Common Voice 17.0; на Common Voice 17.0 для английского WER выше, чем на LibriSpeech. Производительность и точность на других языках, устройствах и акустических условиях в этих данных не описаны.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DictateAI SenseVoice Small (Edge-Optimized ASR)

DictateAI SenseVoice is a privacy-first, on-device automatic speech recognition (ASR) model fine-tuned for high-accuracy voice dictation and real-time transcription on edge hardware (such as Raspberry Pi 5 CPU and NVIDIA GPUs).

It features LoRA-adapted acoustic representations over SenseVoiceSmall, delivering low latency, high noise tolerance, and real-time execution with an INT8 ONNX edge runtime.


Benchmark Results (Real Speech Measurements)

All metrics below were computed from genuine acoustic inference across real human speech datasets using jiwer.wer() and jiwer.cer():

Benchmark / DatasetHardware / RuntimeMeasured WER (%)Measured CER (%)Real-Time Factor (RTF)
LibriSpeech test-clean (40 Speakers)Raspberry Pi 5 CPU (PyTorch)2.12%0.68%0.416x (2.4x faster than real-time)
LibriSpeech test-clean (40 Speakers)NVIDIA GPU (PyTorch CUDA)3.08%0.99%0.0138x (72.4x faster than real-time)
Common Voice 17.0 (English)Raspberry Pi 5 CPU12.78%4.99%0.491x
ElevenLabs Scribe v2 Published ParityCloud API Baseline2.10%~0.80%N/A

Model Artifacts Included in this Repository

FileFormatSizeDescription
model.ptPyTorch FP32893 MBFull merged fine-tuned model weights
lora_adapter.ptPyTorch LoRA18 MBStandalone LoRA adapter weights (all 280 linear encoder projections)
sensevoice_int8.onnxONNX INT8229 MBDynamic INT8 quantized ONNX model for edge ARM64/x86 CPU inference
config.yamlYAMLConfigModel hyperparameter specification
tokens.jsonJSONVocabBPE vocabulary and special token dictionary
am.mvnBinaryNormalizerAcoustic mean/variance normalization coefficients

Usage

1. Fast Inference with FunASR (Python SDK)

from funasr import AutoModel

# Load the model directly from Hugging Face
model = AutoModel(
    model="YOUR_USERNAME/dictateai-sensevoice-small",
    trust_remote_code=True,
    device="cuda"  # or "cpu"
)

# Run recognition on an audio file
res = model.generate(
    input="path/to/audio.wav",
    language="auto",  # or "en", "de", "zh", etc.
    use_itn=True
)

print("Transcription:", res[0]["text"])

2. Edge Inference with ONNX Runtime (Raspberry Pi 5 / CPU)

import onnxruntime as ort
import numpy as np

# Load the dynamic INT8 quantized model
session_options = ort.SessionOptions()
session_options.intra_op_num_threads = 4

session = ort.InferenceSession("sensevoice_int8.onnx", session_options, providers=["CPUExecutionProvider"])

# Inputs:
# - speech: [Batch, Time, 560]
# - speech_lengths: [Batch]
# - language: [Batch] (0=auto, 1=zh, 2=en, 3=yue, 4=ja, 5=ko)
# - textnorm: [Batch] (15=with ITN, 14=woitn)

Training Details

  • Base Architecture: SAN-M Encoder + CTC Projection Head (235M params)
  • Fine-Tuning Method: LoRA (Rank $r=8$, $lpha=16$) on linear projection layers with AdamW and Cosine Annealing schedule.
  • Privacy Guarantee: 100% on-device execution with zero cloud telemetry or audio streaming.

Как запустить

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

GPU в ailist

Универсальный рантайм · funasr

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
cbe1921

0 моделей