/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2-bert · dense
Библиотека
transformers
Опубликована
15 окт 2025

w2v-bert-ada_ewe_fat_fra_gaa_nzi_twi_en

Распознавание речиАудио → текст3 профессии

Многоязычная CTC-модель Khaya AI для транскрибации речи на восьми языках южной Ганы и французском.

184скачиваний за 30 дней0лайковвеса обновлены28 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.

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

Многоязычная модель распознавания речи DONDO от Khaya AI для языков южной Ганы. Это модель CTC на архитектуре w2v-BERT 2.0 с 402,7 млн параметров, дообученная для транскрибации речи на английском, адангме, эве, фанте, французском, га, нзема и асанте-тви. Для выбора языка при распознавании требуется передать языковой префикс; автоматического определения языка нет.

Модель предназначена для транскрибации речи и дальнейшей адаптации под данные конкретной предметной области. Обучающие данные преимущественно состоят из прочитанных религиозных текстов с проверенными транскрипциями в стандартной орфографии. Заявленная средняя доля ошибок слов на оценочных данных составила 11,4% на этапе Step 2; результаты относятся к близкому обучающему домену, а английская речь в многоязычной версии распознаётся хуже, чем в отдельной англоязычной модели.

Модель принимает аудио и выдаёт текст. Распространяется по лицензии Apache-2.0, допускающей коммерческое использование с соблюдением условий лицензии.

Сценарии применения

  • Транскрибация речи на эве
  • Распознавание устной речи на адангме и га
  • Транскрибация фанте, нзема и асанте-тви
  • Распознавание французской речи в многоязычном аудиопотоке
  • Транскрибация английской речи в сценариях для языков южной Ганы
  • Дообучение распознавателя речи на локальных аудиоданных

Ограничения

Модель обучалась преимущественно на прочитанных религиозных текстах, поэтому качество на других жанрах речи может отличаться. Нужно явно задавать язык префиксом; английский в многоязычной версии распознаётся хуже, чем отдельной моделью.

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

dondo_v1_graphic

w2v-bert-ada_ewe_fat_fra_gaa_nzi_twi_en — Southern Ghana multilingual ASR

DONDO (Democratizing Oral Neural Dialect Ontology) open multilingual speech-recognition base model for Southern Ghana. A single checkpoint covering: English, Adangme, Ewe, Fante, French, Ga, Nzema, Asante Twi. Fine-tuned from w2v-BERT 2.0.

  • Region: Southern Ghana
  • Languages: English, Adangme, Ewe, Fante, French, Ga, Nzema, Asante Twi
  • Task: Automatic Speech Recognition (CTC), language-conditioned
  • Backbone: w2v-BERT 2.0
  • License: Apache-2.0 (attribution only; commercial use permitted)
  • Best result: 11.4% average WER (Step 2)
  • Paper: arXiv:2607.21540
  • Demo: Try it in your browser
  • Part of: the DONDO family — https://huggingface.co/KhayaAI

Intended use

A multilingual base model for the languages of Southern Ghana. One checkpoint transcribes any of its languages when steered with a language prefix (below). Use directly, or fine-tune further on your own in-domain data. DONDO is also an open test bed for new low-resource speech techniques; aligned research groups are welcome to collaborate.

Training data

Primarily read speech derived from religious texts with verified transcripts in standard orthography, pooled across the region's languages so the shared encoder learns cross-lingual acoustic structure (especially helpful for the smallest languages).

Training procedure

Two-step learning-rate-annealed fine-tuning (a third step for some families):

  1. Step 1 — coarse adaptation (LR 5e-5): adapt the shared encoder to the full multilingual mixture.
  2. Step 2 — annealing (LR 5e-6): recover most of the gap to monolingual baselines; for some languages, surpass them.
  3. Step 3 — optional (LR 5e-7): a further small improvement.

Evaluation — WER (%)

SettingAvgEnglishAdangmeEweFanteFrenchGaNzemaAsante Twi
Monolingual—16.95.384.530.18.59.712.615.75
Step 1 (5e-5)14.734.911.68.4118.16.8719.427.919.3
Step 2 (5e-6)11.427.48.786.5713.43.6416.020.814.7

"x" = not evaluated; "-" = not computed at that step. Lower is better.

How to use

This is a multilingual model. Language identity is injected as a short one-hot language prefix prepended to the acoustic features, so you must tell the model which language to transcribe. Not sure where to start? Try the interactive Demo linked above first.

Use the exact language_map below (shared across all DONDO multilingual models):

import torch, torchaudio
from transformers import AutoProcessor, AutoModelForCTC

model_id = "KhayaAI/w2v-bert-ada_ewe_fat_fra_gaa_nzi_twi_en"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForCTC.from_pretrained(model_id)

# Full language -> prefix-id map used by the DONDO multilingual models:
language_map = {"Adangme": 0, "Akuapem Twi": 1, "Asante Twi": 2, "Dagbani": 3, "Dagaare": 4,
                "Ewe": 5, "African English": 6, "Fante": 7, "French": 8, "Ga": 9, "Gonja": 10,
                "Gurene": 11, "Hausa": 12, "Igbo": 13, "Kasem": 14, "Kikuyu": 15,
                "Konkomba (Likpakpaanl)": 16, "Konkomba (Likoonli)": 17, "Krio": 18,
                "Kusaal": 19, "Luo": 20, "Mampruli": 21, "Mende": 22, "Meru/Kimeru": 23,
                "Nzema": 24, "Pidgin": 25, "Shona": 26, "Swahili": 27, "Temne": 28,
                "Wali": 29, "Wolof": 30, "Yoruba": 31}

def add_language_prefix(features, lang_id, num_langs, prefix_len=1):
    # features: (time, feature_dim). Build a one-hot language vector, map it
    # into the feature dimension, repeat over `prefix_len` frames and prepend.
    T, D = features.shape
    lang_vec = torch.zeros(D)
    lang_vec[lang_id % D] = 1.0                 # crude one-hot -> feature bin
    prefix = lang_vec.unsqueeze(0).repeat(prefix_len, 1)
    return torch.cat([prefix, features], dim=0)

speech, sr = torchaudio.load("audio.wav")
if sr != 16000:
    speech = torchaudio.functional.resample(speech, sr, 16000)
feats = processor(speech.squeeze().numpy(), sampling_rate=16000,
                  return_tensors="pt").input_features[0]

lang_id = language_map["Asante Twi"]   # pick any language this model supports
feats = add_language_prefix(feats, lang_id, num_langs=len(language_map))

with torch.no_grad():
    logits = model(input_features=feats.unsqueeze(0)).logits
pred_ids = torch.argmax(logits, dim=-1)
print(processor.batch_decode(pred_ids)[0])

Limitations

Read-religious-text domain; specify the target language via the prefix (no built-in language ID yet). WERs are in-domain. The African English column is harder in the multilingual setting than in a dedicated model.

License

Released under the Apache-2.0 license. You are free to use, modify, redistribute and build upon this model, including for commercial purposes. The only substantive requirement is attribution.

Professional services & hosted APIs

This model is free to use under Apache-2.0. If your team would like help deploying it offline on your own infrastructure and data, Khaya AI offers professional services (integration, fine-tuning and on-premises deployment). For ready-to-use and more advanced ASR, including APIs for interested parties, see Khaya Studio.

Citation

@article{azunre2026dondo,
  title         = {DONDO: Open w2v-BERT Speech Recognition Base Models for African Languages},
  author        = {Azunre, Paul and Ibrahim, Naafi and Budu, Joel and Adu-Gyamfi, Lawrence},
  year          = {2026},
  eprint        = {2607.21540},
  archivePrefix = {arXiv},
  primaryClass  = {cs.CL},
  note          = {Democratizing Oral Neural Dialect Ontology. Funded by the Huniki Federation.}
}

Acknowledgements

Funded by the Huniki Federation. We thank Ghana-NLP and Algorine Research for their support with benchmarking, testing and data, and Hugging Face for compute credits. We also thank the language communities and data contributors whose recordings and transcriptions made this work possible.

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
dc36c03

0 моделей