/ Модель

Характеристики

Лицензия
CC BY 4.0
Опубликована
12 авг 2026

asr-en-openvino-f16

Распознавание речиАудио → текст

Англоязычная Conformer-CTC модель в формате OpenVINO FP16 для распознавания речи и транскрибации на CPU.

0скачиваний за 30 дней0лайковвеса обновлены12 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

Это англоязычная модель распознавания речи на базе Conformer-CTC-BPE, разработанная NVIDIA и преобразованная автором репозитория из чекпойнта stt_en_conformer_ctc_large NeMo в OpenVINO IR с точностью FP16. Модель предназначена для транскрибации речи в текст в режиме реального времени и при обработке записей; веса конвертированы через ONNX с сохранением выходов исходного чекпойнта на проверенных аудиозаписях.

На вход подаётся аудио, предварительно представленное как лог-мел-спектрограмма с 80 мел-каналами; ожидаются монофонические записи с частотой 16 кГц и параметры обработки, совместимые с NeMo. Модель выдаёт покадровые логиты по токенам BPE и пустому CTC-токену, из которых декодируется английская транскрипция. OpenVINO IR рассчитан на инференс на CPU.

Модель подходит для диктовки и транскрибации, но не оценивалась на шумной речи, дальнем микрофоне и записях с несколькими говорящими; качество может снижаться на старых или низкокачественных записях. Лицензия — CC BY 4.0.

Сценарии применения

  • Транскрибация английских аудиозаписей
  • Распознавание речи для диктовки в реальном времени
  • Преобразование английской речи в текст на CPU
  • Офлайн-расшифровка монофонических записей с частотой 16 кГц

Ограничения

Модель не оценивалась на шумной речи, дальнем микрофоне и аудио с несколькими говорящими; точность может снижаться на старых и низкокачественных записях. Для корректной работы требуется совместимая предобработка аудио: моно, 16 кГц и заданные параметры лог-мел-спектрограммы.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

English ASR (OpenVINO IR)

A Conformer-CTC-BPE acoustic model for English speech recognition, converted from NVIDIA's stt_en_conformer_ctc_large NeMo checkpoint (NeMo → ONNX → OpenVINO IR, FP16) for CPU inference.

Files

FileDescription
en.xmlOpenVINO IR model topology
en.binOpenVINO IR model weights (FP16)
en.jsonSentencePiece BPE vocabulary - a JSON array where each token's index is its model output id. Word-boundary marker is ▁ (U+2581).

Blank token id (for CTC decoding) is len(vocab), i.e. one past the last entry in en.json - it is not itself listed in the file.

Model details

  • Architecture: Conformer encoder + CTC head (token classification over the vocabulary above)
  • Input: log-mel spectrogram, 80 mel bins
  • Frontend config (must match at inference time - NeMo's AudioToMelSpectrogramPreprocessor defaults):
    • Sample rate: 16 kHz, mono
    • n_fft=512, hop_length=160, win_length=400, hann window
    • Pre-emphasis coefficient: 0.97
    • Per-feature (per mel-bin) mean/std normalization after log compression
  • Outputs: per-frame logits over vocab_size + 1 (vocabulary + blank)
  • Encoder time-subsampling: ~4x (mel frames -> output frames)

Usage

import numpy as np
import openvino as ov

core = ov.Core()
model = core.read_model("en.xml")
compiled = core.compile_model(model, "CPU")
infer_request = compiled.create_infer_request()

# mel_batch: float16 [1, 80, T] log-mel spectrogram built with the frontend
# config above; mel_length: int64 [1] = T
infer_request.infer(inputs={"audio_signal": mel_batch, "length": mel_length})
logits = infer_request.get_output_tensor(0).data  # [1, T', vocab_size + 1]

ids = np.argmax(logits[0], axis=-1)

Decode with standard CTC greedy decoding: collapse consecutive duplicate ids, then drop the blank id (len(vocab)), then map remaining ids through en.json and replace ▁ with a space.

Intended use

Real-time and offline English dictation / transcription. Not evaluated for noisy, far-field, or multi-speaker audio. The original checkpoint's known limitations (e.g. degraded accuracy on old/low-fidelity recordings) carry over to this conversion, since the conversion preserves weights exactly.

Provenance

Converted from the original PyTorch/NeMo checkpoint via ONNX export, then OpenVINO's model conversion API to FP16 IR. Decoded output was verified to match the original NeMo model's output on held-out audio before conversion.

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
9cbe9b0

0 моделей