/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
17,3 ГБ
Лицензия
Apache 2.0
Архитектура
vibevoice · dense
Базовая модель
VibeVoice-ASR
Опубликована
26 мар 2026

VibeVoice-ASR-Kazakh

Распознавание речиАудио → текст10 профессий

Модель распознаёт казахскую речь и выдаёт транскрипции с пунктуацией и заглавными буквами.

28скачиваний за 30 дней6лайковвеса обновлены5 апр 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

InflexionLab/VibeVoice-ASR-Kazakh — модель распознавания речи на казахском языке, созданная дообучением Microsoft VibeVoice-ASR с помощью LoRA; адаптеры объединены с базовыми весами для инференса. Обучение проводилось на наборе ISSAI-KSC2-Structured объёмом около 1 200 часов казахской речи из новостей, парламентских выступлений, ток-шоу, подкастов, радио и краудсорсинговых записей.

Модель преобразует казахскую речь в текстовую транскрипцию с пунктуацией и заглавными буквами. В README указаны WER около 22% и CER около 9,6% на тестовой части ISSAI KSC2, а также WER 17,6% и CER 4,25% на наборе farabi-lab/kazakh-stt, который не использовался при обучении. Репозиторий содержит веса safetensors; лицензия — Apache-2.0.

Сценарии применения

  • транскрибация казахских радиопередач и подкастов
  • распознавание казахских новостей и телепередач
  • расшифровка парламентских выступлений на казахском языке
  • преобразование краудсорсинговых аудиозаписей на казахском в текст

Ограничения

На тестовой части ISSAI KSC2 показатель WER составляет около 22%, поэтому в транскрипциях возможны ошибки. Показатели зависят от условий записи и могут отличаться на аудио вне указанных тестовых наборов.

Для каких профессий подходит10

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

VibeVoice ASR — Kazakh

Model Description

This is VibeVoice ASR fine-tuned on the Kazakh language using the ISSAI KSC2 Structured dataset (~1,200 hours of diverse Kazakh speech). Fine-tuning was performed using LoRA (Low-Rank Adaptation) and the weights were merged into the base model for efficient inference. Model demonstrated 22% WER on test set of ISSAI KSC2.

The base VibeVoice ASR model had no prior Kazakh knowledge. This fine-tuned version produces punctuated and capitalized Kazakh transcriptions.

Training Dataset

InflexionLab/ISSAI-KSC2-Structured — an enhanced version of the ISSAI KSC2 corpus with punctuation and capitalization restored using Gemma 27B. Covers 6 domains: TV News, Crowdsourced, Parliament, Talkshow, Podcasts, and Radio.

Evaluation Results

Evaluated on the KSC2 Test split (9,351 samples) and farabi-lab/kazakh-stt 30K samples. Farabi-Lab dataset was not included in training.

DatasetWERCER
ISSAI_KSC2~22%~9.6%
farabi-lab/kazakh-stt17.6%4.25%

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
VibeVoiceForASRTraining
Ревизия весов
0d6ecd8

0 моделей