/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Опубликована
28 июн 2026

somali-wav2vec2-mode

Распознавание речиАудио → текст5 профессий

Дообученная Wav2Vec2-модель преобразует сомалийскую речь в текст для транскрибации и создания субтитров.

34скачиваний за 30 дней0лайковвеса обновлены28 июн 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

MOHAMEDOMAR25/somali-wav2vec2-mode — дообученная модель Wav2Vec2ForCTC для автоматического распознавания речи на сомалийском языке. Она преобразует сомалийскую аудиозапись в текст и используется как основа веб-приложения для создания субтитров к видео.

Модель содержит 402,7 млн параметров и распространяется в формате safetensors. Её можно применять через библиотеку Transformers для транскрибации речи и подготовки текста для субтитров; Apache-2.0 разрешает использование на условиях этой лицензии. Для длинных видео пример приложения использует разбиение аудио на фрагменты с помощью обнаружения речевой активности. Карточка не приводит оценок качества или ограничений распознавания.

Сценарии применения

  • транскрибация аудиозаписей на сомалийском языке
  • создание субтитров для сомалийских видео
  • распознавание речи в сегментах аудио после VAD-разбиения

Ограничения

В карточке не приведены метрики качества распознавания или сведения о работе с диалектами, шумом и другими языками.

Для каких профессий подходит5

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

Somali Wav2Vec2 Model (ASR)

This is a fine-tuned Wav2Vec2 model for Automatic Speech Recognition (ASR) in the Somali language. It was specifically trained to transcribe spoken Somali audio into text, and serves as the core AI engine for the Somali Subtitle Generator web application.

Model Details

  • Architecture: Wav2Vec2ForCTC
  • Language: Somali (so)
  • Task: Automatic Speech Recognition (ASR) / Speech-to-Text

Usage

You can use this model easily with the Hugging Face transformers library in Python.

Important Note: Because of how the vocabulary is structured, you must manually remove the [PAD] token and any | characters (word delimiters) from the output string after decoding.

import torch
import librosa
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

model_id = "MOHAMEDOMAR25/somali-wav2vec2-mode"

# Load the processor and model
processor = Wav2Vec2Processor.from_pretrained(model_id)
model = Wav2Vec2ForCTC.from_pretrained(model_id)

# Load your Somali audio file (must be resampled to 16kHz)
audio, rate = librosa.load("your_audio.wav", sr=16000)

# Process the audio
inputs = processor(audio, sampling_rate=16000, return_tensors="pt", padding=True)

# Run inference
with torch.no_grad():
    logits = model(inputs.input_values).logits

# Decode the prediction
predicted_ids = torch.argmax(logits, dim=-1)
transcription = processor.batch_decode(predicted_ids)[0]

# Fix the output by removing the [PAD] token and replacing | with space
transcription = transcription.replace("[PAD]", "").replace("|", " ")

print("Transcription:", transcription)

Application

This model is actively used in a Flask-based web application to generate .srt and .vtt subtitles for Somali videos. The application utilizes Smart Chunking (Voice Activity Detection) to process long videos and feed the speech segments into this model.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
19090e0

0 моделей