/ Модель

Характеристики

Контекст
512 токенов
Параметры
41,6 млн
Лицензия
Apache 2.0
Архитектура
marian · dense
Опубликована
15 дек 2025

cap-punct-es

ПереводТекст → текст9 профессий

Модель HiTZ на базе Marian NMT восстанавливает заглавные буквы и пунктуацию в испанском тексте.

93скачиваний за 30 дней0лайковвеса обновлены13 янв 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 «Текст» — 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

HiTZ/cap-punct-es — модель центра HiTZ при Университете Страны Басков UPV/EHU для восстановления заглавных букв и пунктуации в испанском тексте. Она обучена с нуля на базе Marian NMT на корпусе примерно из 9,8 млн предложений. Архитектура — MarianMTModel, размер — 41,6 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст без регистра и пунктуации и возвращает восстановленный текст.

Модель предназначена для обработки испанских предложений, в том числе распознанной речи и текста, в котором при подготовке удалили регистр и знаки препинания. В оценках на подвыборках FLORES-101 и Common Voice модель снизила WER с 19,55% до 5,99% и с 22,42% до 5,75% соответственно. Лицензия — Apache 2.0. Результаты зависят от соответствия входного текста обработке, использованной при обучении; разработчики также отмечают возможные смещения и нежелательные искажения.

Сценарии применения

  • восстановление пунктуации в испанской речи после распознавания
  • расстановка знаков препинания в тексте без пунктуации
  • восстановление заглавных букв в испанских предложениях
  • нормализация испанских транскриптов для чтения

Ограничения

Модель предназначена для испанского языка и может хуже работать на входах, отличающихся от предобработанного текста, использованного при обучении. Разработчики предупреждают о возможных смещениях и нежелательных искажениях.

Для каких профессий подходит9

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

HiTZ's Capitalization & Punctuation model for Spanish

Model description

This model was trained from scratch using Marian NMT. The dataset used in training contains 9,784,905 spanish sentences. The model was evaluated on the Flores-101 spanish subset dev and devtest datasets containing 2009 sentences and 2000 randomly picked CommonVoice-Es dataset sentences.

  • Developed by: HiTZ Research Center (University of the Basque Country EHU)
  • Model type: Capitalization and Punctuation
  • Language: Spanish

Intended uses and limitations

You can use this model for Punctuation and Capitalization in Spanish

Usage

Required packages:

  • torch
  • transformers
  • sentencepiece

Capitalizing using python:

Clone repository to download the model:

git clone https://huggingface.co/HiTZ/cap-punct-es

Given MODEL_PATH is the path that points to the downloaded marianmt-cap-punct-es folder.

from transformers import pipeline

device = 0 # 0-->GPU, -1-->CPU

segment_list = ["hola buenos días a todos", "faktoria se escucha en la radio de e i te be", "más o menos el cuarenta y dos por ciento","cuatro ocho quince dieciséis veintitrés cuarenta y dos","mi año de nacimiento es mil novecientos noventa y seis", "más información en uve doble uve doble uve doble punto e hache u punto eus"]

translator = pipeline(task="translation", model=MODEL_PATH, tokenizer=MODEL_PATH, device=device)    
result_list = translator(segment_list)
cp_segment_list = [result["translation_text"] for result in result_list]

for text, cp_text in zip(segment_list, cp_segment_list):
    print(f"Normalized: {text}\n  With C&P: {cp_text}\n")

Expected output:

Normalized: hola buenos días a todos
  With C&P: Hola, buenos días a todos.

Normalized: faktoria se escucha en la radio de e i te be
  With C&P: Faktoria se escucha en la radio de EiTB

Normalized: más o menos el cuarenta y dos por ciento
  With C&P: Más o menos el 42 %.

Normalized: cuatro ocho quince dieciséis veintitrés cuarenta y dos
  With C&P: Cuatro, ocho, quince, dieciséis, veintitrés, cuarenta y dos.

Normalized: mi año de nacimiento es mil novecientos noventa y seis
  With C&P: Mi año de nacimiento es 1996.

Normalized: más información en uve doble uve doble uve doble punto e hache u punto eus
  With C&P: Más información en www.ehu.eus

Training

Data preparation

The training data was compiled by our research group from multiple heterogeneous sources and consists of approximately 9,784,905 sentences. This dataset is a subset of the data used in the following machine translation model mt-hitz-eu-es

Prior to training, the data underwent preprocessing steps including cleaning, punctuation standardization, filtering, and the creation of aligned input–output sentence pairs for the capitalization and punctuation restoration task.

To generate the input–output pairs, the target sentences were lowercased, punctuation was removed, and text normalization was applied using an in-house normalization tool.

Example:

Output (Cleaned, filetered and standarized): Esto supone pasar de los 0,22 euros por elector de las Elecciones Generales de 2011 a 0,18 euros en las de 2015.  
Input (Lowercased, without punctuation and normalized): esto supone pasar de los cero coma veintidos euros por elector de las elecciones generales de dos mil once a cero coma dieciocho euros en las de dos mil quince 

Training procedure

The model was trained using the official MarianNMT implementation.
Training was performed on a single NVIDIA TITAN RTX GPU.

Performance

The following table shows the model performance. We use the Word Error Rate metric. The WER-WITHOUT metric corresponds to the Word Error Rate computed on the evaluation dataset before applying capitalization and punctuation restoration. The WER metric corresponds to the output after processing with the model. The evaluation dataset underwent the same processing as the training dataset.

MetricFLORES-101COMMON-VOICE
WER-WITHOUT%19.55%22.42
WER%5.99%5.75

Aditional Information

Author

HiTZ Basque Center for Language Technology - Aholab Signal Processing Laboratory, University of the Basque Country UPV/EHU.

Copyright

Copyright (c) 2025 HiTZ Basque Center for Language Technology - Aholab Signal Processing Laboratory, University of the Basque Country UPV/EHU.

Licensing Information

This work is licensed under a Apache License, Version 2.0

Funding

The development of these models have been parcially funded by the Ministerio de Transformación Digital and by the Plan de Recuperación, Transformación y Resiliencia – Funded by the European Union – NextGenerationEU ILENIA (with reference 2022/TL22/00215335), by the project IkerGaitu funded by the Basque Government and by the project HiTZketan (COLAB22/13) funded by the University of the Basque Country EHU.

Disclaimer

When third parties, deploy or provide systems and/or services to other parties using any of these models (or using systems based on these models) or become users of the models, they should note that it is their responsibility to mitigate the risks arising from their use and, in any event, to comply with applicable regulations, including regulations regarding the use of Artificial Intelligence.

In no event shall the owner and creator of the models (HiTZ Basque Center for Language Technology - Aholab Signal Processing Laboratory, University of the Basque Country UPV/EHU.) be liable for any results arising from the use made by third parties of these models.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
MarianMTModel
Ревизия весов
aab6743

0 моделей