Характеристики

Лицензия: MIT
Опубликована: 18 июл 2026

Ссылки

Hugging Face

medocr-asr-bn

MrJAJA

Распознавание речиАудио → текст

Квантованная ONNX-модель для офлайн-распознавания бенгальской речи в голосовом вводе аптечных данных.

0скачиваний за 30 дней0лайковвеса обновлены18 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

medocr-asr-bn — модель распознавания речи на бенгальском языке для офлайн-голосового ввода в приложении MedOCR для аптек. Это экспорт в ONNX квантованного до INT8 энкодера модели ai4bharat/indicconformer_stt_bn_hybrid_ctc_rnnt_large вместе с CTC-головой, словарём и мел-фильтробанком; исходная модель разработана AI4Bharat. Модель принимает монофонический аудиосигнал с частотой 16 кГц и выдаёт последовательность логарифмических вероятностей токенов для декодирования речи.

Предназначена для автономного распознавания голосового ввода аптечных данных, таких как цена, срок годности и количество товара. Квантованы только операции MatMul: такой вариант выбран из-за отсутствия ConvInteger в onnxruntime-android. Модель распространяется по лицензии MIT. Распознаёт речь на бенгальском; карточка не описывает работу с другими языками.

Сценарии применения

офлайн-распознавание бенгальской речи на Android
голосовой ввод цены аптечного товара
голосовой ввод срока годности лекарства
голосовой ввод количества товара в аптеке

Ограничения

Модель рассчитана на монофонический аудиосигнал с частотой 16 кГц. Карточка описывает сценарий распознавания бенгальской речи и не подтверждает поддержку других языков.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

medocr-asr-bn — on-device Bangla ASR (ONNX) for the MedOCR pharmacy app

INT8 (MatMul-only dynamic quantization) ONNX export of the encoder of ai4bharat/indicconformer_stt_bn_hybrid_ctc_rnnt_large (MIT license, AI4Bharat), plus its CTC head, vocabulary, and mel filterbank. MatMul-only quantization is used because onnxruntime-android has no ConvInteger kernel.

Used by the MedOCR Android app for offline voice stocking (the pharmacist speaks price / expiry / quantity). The app downloads asr_encoder_bn.onnx once on first use; the small files ship inside the APK.

file	bytes
asr_encoder_bn.onnx	185341627
asr_ctc_bn.onnx	11559655
asr_vocab_bn.json	57466
asr_mel_filters.bin	82240

Contract: encoder audio_signal [1,80,T] float32 + length [1] int64 → [1,512,T']; ctc → logprobs [1,T',5633]; aggregate SentencePiece vocab, blank id 5632; 16 kHz mono input.

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: 4d66c7d