Характеристики

Лицензия: Apache 2.0
Опубликована: 12 июл 2026

Ссылки

Afrivoices-Edge-Asr

Распознавание речиАудио → текст

Многоязычная модель распознавания речи для шести восточноафриканских языков, оптимизированная для запуска на CPU периферийных устройств.

0скачиваний за 30 дней0лайковвеса обновлены15 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

AfriVoices Edge ASR — модель автоматического распознавания речи, разработанная для трека AfriVoices Multilingual Edge ASR. Это акустическая модель на 971 млн параметров, основанная на omniASR-CTC-1B v2 от Meta и дообученная на примерно 1035 часах очищенной от дубликатов речи. Она распознаёт суахили, кикуйю, дхолуо, сомали, маасаи и календжин. Для декодирования используются отдельные языковые модели KenLM с shallow fusion.

Репозиторий содержит веса модели, экспорт int8 в формате ONNX для вывода на CPU и языковые модели KenLM с лексиконами. По данным README, модель выполняется на четырёх ARM-ядрах примерно со скоростью 0,57× реального времени и помещается в 5,8 ГБ оперативной памяти; на открытом лидерборде трека она заняла первое место с macro-WER 0,34778. Лицензия — Apache-2.0.

Модель предназначена для распознавания речи на периферийных устройствах с ограниченными ресурсами. Указанная ошибка распознавания и скорость характеризуют сообщённые условия оценки и запуска; качество может отличаться на других данных и оборудовании.

Сценарии применения

Транскрибация речи на суахили
Распознавание речи на кикуйю, дхолуо, сомали, маасаи и календжин
Офлайн-транскрибация на ARM-устройствах
Распознавание речи на CPU без облачного сервиса

Ограничения

Заявленная macro-WER 0,34778 и скорость около 0,57× реального времени получены в конкретном треке и на указанной конфигурации; качество зависит от языка, акустических условий и оборудования.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

AfriVoices Edge ASR — six East African languages, one edge-ready model

Final result: macro-WER 0.34778 — 1st place (public leaderboard at close), AfriVoices Multilingual Edge ASR Track.

One 971 M-parameter acoustic model (omniASR-CTC-1B v2, Meta, Apache-2.0, fine-tuned on ~1,035 h of deduplicated speech) covering Swahili, Kikuyu, Dholuo, Somali, Maasai and Kalenjin, decoded with one purified KenLM per language (shallow fusion). Runs on 4 ARM cores at ~0.57x real time within 5.8 GB RAM.

What is in this repository

File(s)	What it is
`checkpoint_step12750/model/pp_00/tp_00/sdp_00.pt`	the fine-tuned acoustic model (fairseq2 state dict, bf16)
`omni_ctc_int8.onnx`	int8 ONNX export for edge/CPU inference
`kenlm/.bin` + `kenlm/_unigrams.txt`	six purified per-language KenLM models + word lexicons

How to use it

Full pipeline, configs, decoding parameters, training recipe, technical report and the exact 3-step reproduction of the winning submission:

➡️ https://github.com/Izzoudine/Afrivoices-Edge-Asr

Quick outline: load the checkpoint over the omniASR-CTC-1B-v2 card (fairseq2), decode with pyctcdecode beam search + the per-language KenLM at the alpha/beta/beam values committed in the GitHub repo (configs/decode_params.json); clips longer than 38 s are decoded whole (single pass) for best accuracy.

Data, transparency, licenses

Training data: AfriVoices / KenCorpus datasets (Anv-ke, Digital Umuganda) — see the data cards in the GitHub repo.
The KenLM models are purified: a leak of test transcriptions found in the provided dev_test splits was removed and disclosed (TRANSPARENCY_NOTE in the repo).
Base model: Omnilingual ASR (Meta), Apache-2.0. This release: Apache-2.0.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов: b9c3761