/ Модель

Характеристики

Лицензия
CC BY 4.0
Опубликована
20 авг 2026

indic-transliterate

Генерация текстаТекст → текст3 профессии

Экспериментальная символьная модель для транслитерации Roman/Hinglish и смешанного текста в письменность индийских языков, предназначенная для проверки конвейера и дальнейшего дообучения.

0скачиваний за 30 дней0лайковвеса обновлены20 авг 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

MeghanaKap/indic-transliterate — экспериментальная модель для транслитерации латиницы и смешанного текста Roman/Hinglish в соответствующую письменность индийского языка с сохранением произношения. Она предназначена для проверки конвейера и дальнейшего дообучения, в том числе перед системой синтеза речи; модель транслитерирует «EMI» как «ईएमआई», а не переводит его как «кिस्त». Это не чекпойнт AI4Bharat IndicXlit.

Модель построена с нуля как символьный Transformer encoder-decoder на базе torch.nn.Transformer, обученный через Hugging Face Transformers. В README указан размер около 7,7 млн параметров. Обучение проводилось три эпохи на ограниченной выборке Aksharantar — около 13 тысяч примеров по 21 языку. На отложенной выборке CER составил 91%, точное совпадение — 0%, а корректность выбора письменности — 99,9%; качество транслитерации пока непригодно для практического использования. Лицензия карточки — CC BY 4.0.

Сценарии применения

  • проверка конвейера транслитерации перед системой синтеза речи
  • преобразование латинской записи хинди в деванагари
  • транслитерация Hinglish и смешанного текста в индийскую письменность
  • эксперименты с языковыми тегами для выбора письменности
  • дообучение модели на более крупном наборе пар транслитерации

Ограничения

Это ранний прототип, не готовый к производственному применению: на тесте CER равен 91%, а точное совпадение — 0%. Обучение проведено на небольшой выборке и трёх эпохах; для практической транслитерации требуется масштабное переобучение.

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

indic-transliterate (prototype)

Roman/Hinglish/code-mixed → native Indic script transliteration, built to sit in front of a TTS pipeline (pronunciation-preserving transliteration, not translation — e.g. "EMI" → "ईएमआई", not "किस्त").

⚠️ Status: early prototype, not production-ready

This checkpoint was trained on a deliberately small, capped slice of data (3,000 word pairs per language from AI4Bharat Aksharantar, ~13k examples total after language-temperature sampling and customer-support-data mixing) for 3 epochs, as an end-to-end pipeline validation step — not a production training run.

Measured on a held-out test set:

MetricValue
Character Error Rate91%
Exact match0%
Script validity99.9%

Script validity (99.9%) shows the model reliably learned which script to emit per language tag — the architecture and data pipeline are wired correctly. Character accuracy (91% CER) is not usable yet — that needs a full-scale training run (full per-language data volume, more epochs) before this should be used for anything beyond pipeline testing.

What this is (and isn't)

  • Is: a from-scratch, ~7.7M-parameter character-level Transformer encoder-decoder (torch.nn.Transformer-based), with <2xx> language-tag tokens (same convention as IndicXlit/NLLB/mBART), trained via Hugging Face transformers.
  • Isn't: AI4Bharat's IndicXlit checkpoint or its fairseq architecture. IndicXlit's fairseq codebase is not compatible with Python 3.12 (mutable dataclass-default fields fairseq declares are hard-rejected by Python 3.11+'s dataclasses module, across multiple files, not a single patchable spot) — see the training repository's README for the full writeup. This model uses the same task framing and tagging convention on a maintained stack instead of vendoring IndicXlit's literal weights.

Training data

AI4Bharat Aksharantar — word-level Roman↔native pairs, 21 languages. Aksharantar's license is mixed (CC-BY for manually-collected rows, CC0 for mined rows); this model card carries cc-by-4.0 as the safe upper bound. See the training repo's README for the full licensing note, including why Google Dakshina (CC BY-SA, share-alike) was not used for this checkpoint.

Usage

from transliteration.inference import TransliterationEngine

engine = TransliterationEngine.from_checkpoint("path/to/this/checkpoint")
engine.transliterate("mera emi pending hai", language="hi")

Full pipeline code (data download/validation/training/evaluation/inference/ TTS integration): see the accompanying repository files.

Intended use

Pipeline validation and further fine-tuning. Not intended for production transliteration until retrained at full data scale — see Known Limitations in the training repo's README.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
bfce341

0 моделей