/ Модель
Каталог

Характеристики

Параметры
403 млн
Лицензия
MIT
Архитектура
wav2vec2-bert · dense
Базовая модель
w2v-bert-2.0
Библиотека
transformers
Опубликована
4 июл 2026

Ссылки

Hugging Face

w2vbert-waxal

GodwillN
Распознавание речиАудио → текст8 профессий

Дообученная модель на базе Wav2Vec2-BERT для преобразования аудиоречи в текст.

10скачиваний за 30 дней0лайковвеса обновлены4 июл 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.

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

GodwillN/w2vbert-waxal — дообученная модель распознавания речи на архитектуре Wav2Vec2-BERT, основанная на facebook/w2v-bert-2.0. Она принимает аудио и преобразует речь в текст; число параметров — около 402,7 млн. Модель распространяется в формате Safetensors по лицензии MIT.

В README приведены результаты оценки: WER 0,4034, CER 0,2183 и loss 0,8908. Датасет обучения, поддерживаемые языки и предполагаемые сценарии использования не описаны, поэтому качество распознавания для конкретного языка или типа аудио по этим данным определить нельзя.

Сценарии применения

  • Автоматическая транскрибация речи из аудиозаписей
  • Получение текстовой расшифровки голосовых сообщений
  • Создание черновых субтитров по аудиодорожке

Ограничения

Язык и состав обучающего датасета не указаны. На оценочном наборе WER составляет 0,4034, поэтому ошибки распознавания могут быть существенными.

Для каких профессий подходит8

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.9Универсальные способностиАудио и музыкаAI помогает анализировать, очищать, преобразовывать и создавать звук и музыку.15 задач4 835моделейI.6Универсальные способностиПеревод и языковая адаптацияAI помогает переносить смысл между языками, форматами и культурными контекстами.16 задач16 710моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

w2vbert-waxal

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: 0.8908
  • Wer: 0.4034
  • Cer: 0.2183
  • Combined Err: 0.3108

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: 5e-05
  • train_batch_size: 2
  • eval_batch_size: 2
  • seed: 42
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 8
  • 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_steps: 300
  • num_epochs: 2

Training results

Training LossEpochStepValidation LossWerCerCombined Err
1.27840.08914001.15310.52820.25660.3924
0.9930.17828001.08950.50160.24280.3722
1.01680.267412001.04700.45560.23950.3475
0.86640.356516001.02320.45070.22860.3397
0.84430.445620001.01470.44460.23090.3378
0.72910.534724000.98030.44060.23560.3381
0.79730.623928001.01500.45080.22210.3364
0.71430.713032001.03990.40210.22270.3124
0.81280.802136001.03720.40840.22420.3163
0.78970.891240000.96310.41800.22810.3230
0.67780.980344000.95870.41080.22170.3163
0.7311.069348000.97410.40300.22300.3130
0.65861.158452000.95500.44500.21900.3320
0.79721.247556000.90660.40410.22070.3124
0.69071.336760000.89380.45980.22550.3426
0.72991.425864000.94370.40320.22110.3121
0.64521.514968000.90420.41440.21950.3169
0.70141.604072000.92470.38830.21430.3013
0.61981.693176000.92820.39880.21420.3065
0.82311.782380000.88800.41220.21780.3150
0.58641.871484000.89610.40320.21660.3099
0.7441.960588000.89080.40340.21830.3108

Framework versions

  • Transformers 4.53.2
  • Pytorch 2.12.0+cu130
  • Datasets 3.6.0
  • Tokenizers 0.21.4

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
41edf50

0 моделей

    Создать бенчмарк