/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Библиотека
transformers
Опубликована
18 сен 2024

wav2vec2-large-sami-22k

Распознавание речиАудио → текст3 профессии

Предобученная на саамской речи акустическая модель wav2vec2 для адаптации к распознаванию речи и эмоций в аудио.

15скачиваний за 30 дней0лайковвеса обновлены9 мар 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

Sámi Wav2Vec2 Large — акустическая модель семейства wav2vec2, разработанная Ярославом Гетманом и Тамашем Гросом. Она предварительно обучена на 22,4 тыс. часов неразмеченной саамской речи из архива YleSámiRadio и предназначена как основа для распознавания речи и распознавания эмоций в речи после адаптации под конкретную задачу.

Модель содержит 402,7 млн параметров и принимает аудио с частотой дискретизации 16 кГц. Веса опубликованы в формате safetensors; лицензия — Apache-2.0. Это этап предобучения без токенизатора: для преобразования речи в текст необходимо создать токенизатор и дообучить модель на размеченных текстовых данных. Готовая версия для распознавания речи указана в карточке как GetmanY1/wav2vec2-large-sami-22k-finetuned.

Обучающие аудиофрагменты ограничивались 30 секундами, поэтому модель лучше подходит для коротких записей сопоставимой длительности. Данные радиоархива могут смещать её в сторону голосов ведущих; в обучающих материалах также могли оставаться музыка и другие неречевые звуки.

Сценарии применения

  • подготовка основы для распознавания саамской речи
  • дообучение преобразования саамской речи в текст
  • адаптация к распознаванию эмоций в саамской речи

Ограничения

Модель не содержит токенизатора и сама по себе не является готовой системой распознавания речи: для ASR нужны токенизатор и дообучение на размеченных текстовых данных. Она лучше рассчитана на аудио около 30 секунд, а радиоданные могут создавать смещение к голосам ведущих и помехам вроде музыки.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Sámi Wav2vec2-Large

The large model pre-trained on 16kHz sampled speech audio. When using the model make sure that your speech input is also sampled at 16Khz.

Note: This model does not have a tokenizer as it was pre-trained on audio alone. In order to use this model speech recognition, a tokenizer should be created and the model should be fine-tuned on labeled text data. Check out this blog for a more in-depth explanation of how to fine-tune the model.

Note: Fine-tuned version is available at GetmanY1/wav2vec2-large-sami-22k-finetuned

Model description

The Sámi Wav2Vec2 Large has the same architecture and uses the same training objective as the English and multilingual one described in Paper. It is pre-trained on 22.4k hours of unlabeled Sámi speech from KAVI radio and television archive materials.

You can read more about the pre-trained model from this paper.

Intended uses & limitations

You can use this model for Sámi ASR (speech-to-text) and SER (Spoken Emotion Recognition) tasks.

How to use

See this notebook for more information on how to fine-tune the model.

Limitations and bias

This model was pre-trained with audio samples whose maximum length was 30 seconds so this model most likely works the best for quite short audios of similar length. However, you can try this model with a lot longer audios too and see how it works. If you encounter out-of-memory errors with very long audio files you can use the audio chunking method introduced in this blog post.

The data used for pre-training was from the KAVI archives so this model might have biases towards the voices of radio hosts. The pre-training data was filtered via neural VAD, but some non-speech events like music might be still present in the training data, which might cause issues when fine-tuned on clear (no background noise) speech.

Training data

This model was pre-trained with 22.4k hours of Sámi speech data from the following sources:

DatasetHours% of total hours
YleSámiRadio22415 h100 %

Datasets were filtered to include a maximum length of 30 seconds long audio samples.

Training procedure

Training was done on 256 AMD MI250x GPU modules (512 GPUs from the software perspective), using LUMI.

The training script was provided by Fairseq and it is available here.

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 4e-04
  • max_update: 166667
  • seed: 1
  • optimizer: 8-bit Adam with betas=(0.9,0.98) and epsilon=1e-06
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_updates: 5000
  • fp16: true
  • max_sample_size: 960000
  • min_sample_size: 32000
  • normalize: true
  • max_tokens: 1800000
  • distributed_world_size: 512

The pre-trained model was initialized with the following hyperparameters:

  • quantize_targets: true
  • latent_temp: [2.0, 0.5, 0.999995]
  • extractor_mode: layer_norm
  • layer_norm_first: true
  • dropout_input: 0.0
  • dropout_features: 0.0
  • feature_grad_mult: 1.0
  • encoder_embed_dim: 1024
  • encoder_layers: 24
  • encoder_ffn_embed_dim: 4096
  • encoder_attention_heads: 16
  • dropout: 0.0
  • attention_dropout: 0.0
  • activation_dropout: 0.0
  • encoder_layerdrop: 0.0

Training results

Training LossEpochValidation Loss
4.90914.707
2.452252.356
2.245502.11
2.094751.985
2.0001001.916

Framework versions

  • Pytorch 2.3.0+rocm6.0
  • Fairseq 0.12.2

Citation

If you use our models or scripts, please cite our article as:

@inproceedings{getman-etal-2025-towards,
    title = "Towards large-scale speech foundation models for a low-resource minority language",
    author = "Getman, Yaroslav  and
      Gr{\'o}sz, Tam{\'a}s  and
      Hiovain-Asikainen, Katri  and
      Lehtonen, Tommi  and
      Kurimo, Mikko",
    editor = "Johansson, Richard  and
      Stymne, Sara",
    booktitle = "Proceedings of the Joint 25th Nordic Conference on Computational Linguistics and 11th Baltic Conference on Human Language Technologies (NoDaLiDa/Baltic-HLT 2025)",
    month = mar,
    year = "2025",
    address = "Tallinn, Estonia",
    publisher = "University of Tartu Library",
    url = "https://aclanthology.org/2025.nodalida-1.19/",
    pages = "192--200",
    ISBN = "978-9908-53-109-0"
}

Team Members

Feel free to contact us for more details 🤗

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForPreTraining
Ревизия весов
e2f8a9e

0 моделей