/ Модель

Характеристики

Контекст
131 072 токена
Архитектура
qwen3_asr · dense
Опубликована
22 авг 2026

qwen3-asr-lg-atypical-promptless-specaug-projector

Распознавание речиАудио → текст3 профессии

Экспериментальная модель на базе Qwen3-ASR для распознавания луганда в атипичной речи, включая дизартрию, заикание и нарушения артикуляции.

11скачиваний за 30 дней0лайковвеса обновлены22 авг 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

Это экспериментальный чекпойнт распознавания атипичной речи на луганда, созданный на основе Qwen3-ASR командой KasuleTrevor. Модель адаптирована для транскрибирования речи людей с нарушениями артикуляции, дизартрией и заиканием; при дообучении использовались только проектор и SpecAugment, без текстового промпта. Базовая модель содержит около 2,04 млрд параметров, из которых обучались 3,15 млн.

Чекпойнт выбран по валидационным WER/CER; на тесте средний ограниченный посегментный WER составил 69,33%, а нормализованный корпусный WER — 83,62%. Ошибки заметно выше для тяжёлых нарушений речи. Данные показывают специализированный исследовательский эксперимент, а не универсальную систему распознавания. Лицензия в доступных данных не указана.

Сценарии применения

  • транскрибирование луганда при дизартрии
  • распознавание луганда при заикании
  • транскрибирование речи с нарушениями артикуляции
  • исследование влияния SpecAugment на распознавание атипичной речи

Ограничения

На тестовой выборке нормализованный корпусный WER составил 83,62%; для тяжёлых нарушений речи средний ограниченный посегментный WER достиг 80,16%. Результаты получены на ограниченном наборе участников и не подтверждают качество на обычной речи или других языках.

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

Qwen3-ASR Atypical Luganda — Projector Adaptation + SpecAugment

This repository contains the validation-selected projector checkpoint from the promptless Qwen3-ASR atypical-Luganda architectural ablation.

Experiment

  • Base model: KasuleTrevor/cdli-qwen3-asr-lg-typical-1p7b-base-finetune
  • Dataset: cdli/ugandan_luganda_nonstandard_speech_v1.0
  • Condition: projector
  • Prompt: none
  • SpecAugment: enabled, train-only
  • LR: 0.0001
  • Scheduler: cosine
  • Seed: 42
  • Batch / grad accumulation: 4 / 4
  • Effective batch: 16

SpecAugment

SettingValue
Probability0.5
Time masks2
Time width40
Frequency masks2
Frequency width12

Trainable parameters

MetricValue
Total2,038,052,480
Trainable3,148,800
Trainable %0.1545%

Validation checkpoint selection

Selection was performed on the validation split only using normalized corpus WER/CER.

MetricValue
Selected checkpointcheckpoint-1500
Mean capped WER72.85%
Mean capped CER39.79%
Corpus WER89.93%
Corpus CER48.16%

Final test results

Primary reporting uses normalized per-utterance WER/CER, capped at 1.0 per utterance and then averaged. Normalized corpus metrics are retained as secondary diagnostics.

MetricResult
Mean capped utterance WER69.33%
Mean capped utterance CER33.19%
Normalized corpus WER83.62%
Normalized corpus CER43.83%
Relative primary WER reduction vs base9.57%

Results by severity

GroupnSpeakersMean capped WERMean capped CERCorpus WERCorpus CER
Mild (easily understood with minimal effort)366362.10%25.64%71.93%33.40%
Moderate (requires effort to understand)347367.13%29.85%73.99%33.34%
Severe (frequent breakdowns)315380.16%45.65%108.48%70.48%

Results by disorder

GroupnSpeakersMean capped WERMean capped CERCorpus WERCorpus CER
Articulation Disorders209267.18%27.06%76.76%36.46%
Dysarthria276259.94%24.62%65.86%28.67%
Stuttering (Disfluency Disorders)438472.81%37.22%82.89%41.81%
Voice disorder105183.78%51.12%129.59%88.20%

Reproducibility

The exact corrected trainer is archived in this repository under:

code/qwen3_asr_sft_fixed_ablation.py

The companion private results repository is:

KasuleTrevor/qwen3-asr-lg-atypical-promptless-specaug-results

No raw participant audio is redistributed.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ASRForConditionalGeneration
Ревизия весов
1e93038

0 моделей