/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
swecha-gonthuka-asr
Опубликована
9 июл 2026

gonthuka-asr-finetuned

Распознавание речиАудио → текст5 профессий

Дообученная модель Wav2Vec2 для преобразования речи на телугу в текст.

11скачиваний за 30 дней1лайквеса обновлены17 июл 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

Pravalika2711/gonthuka-asr-finetuned — модель автоматического распознавания речи на телугу, разработанная на основе Swecha Gonthuka ASR и дообученная на пользовательском наборе аудиозаписей. Это модель Wav2Vec2ForCTC с 113,3 млн параметров, предназначенная для преобразования речи в текст. Она принимает аудио и выдаёт текст на телугу; для работы используются Transformers и формат весов safetensors.

Модель подходит для транскрибирования телугуской речи, голосовых помощников и систем преобразования речи в текст, а также для задач доступности и обучения. В README сообщается о CER 0,14 на оценке модели. Набор дообучения включал около 752 записей WAV с частотой 16 кГц, моно, и проверенными транскрипциями.

Качество может снижаться в шумной среде и зависит от акцента говорящего и качества записи; модель лучше работает с монофоническим WAV 16 кГц. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибирование аудиозаписей на телугу
  • распознавание телугуской речи в голосовом помощнике
  • преобразование телугуской речи в текст в приложениях доступности
  • распознавание речи на телугу в образовательных приложениях

Ограничения

Качество может снижаться в шумной среде и зависеть от акцента и качества записи; модель лучше работает с монофоническим WAV 16 кГц.

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

Telugu ASR Fine-Tuned Model

Overview

This repository contains a fine-tuned Automatic Speech Recognition (ASR) model for the Telugu language.

The model is based on Swecha Gonthuka ASR and has been fine-tuned using a custom Telugu speech dataset.

The model is capable of converting spoken Telugu audio into Telugu text and can be used for speech transcription and related ASR applications.


Base Model

  • Model: swechatelangana/swecha-gonthuka-asr
  • Architecture: Wav2Vec2ForCTC
  • Framework: Hugging Face Transformers
  • Language: Telugu

Fine-Tuning Dataset

A custom Telugu speech dataset was used for fine-tuning.

Dataset details:

  • Approximately 752 Telugu audio recordings
  • Audio Format: WAV
  • Sampling Rate: 16 kHz
  • Mono Audio
  • Telugu Transcriptions

The dataset contains natural Telugu speech with manually verified transcripts.


Training Configuration

ParameterValue
Base Modelswechatelangana/swecha-gonthuka-asr
Epochs10
Learning Rate1e-5
Batch Size4
Gradient Accumulation2
OptimizerAdamW
FrameworkHugging Face Transformers
GPUNVIDIA Tesla T4

Evaluation

The model was evaluated using Character Error Rate (CER).

MetricValue
CER0.14
Character Accuracy86%

Character Accuracy = (1 − CER) × 100


Usage

Install dependencies

pip install transformers torch librosa

Load the model

from transformers import pipeline

pipe = pipeline(
    "automatic-speech-recognition",
    model="Pravalika2711/gonthuka-asr-finetuned",
    feature_extractor="Pravalika2711/gonthuka-asr-finetuned",
    tokenizer="Pravalika2711/gonthuka-asr-finetuned"
)

Run inference

result = pipe("audio.wav")

print(result["text"])

Applications

  • Telugu Speech Recognition
  • Voice Assistants
  • Speech-to-Text Systems
  • Accessibility Applications
  • Telugu Language Research
  • Educational Applications

Limitations

  • Performance may decrease for noisy environments.
  • Works best with 16 kHz mono WAV audio.
  • Accuracy depends on speaker accent and recording quality.

Acknowledgements

This work is built upon the excellent Swecha Gonthuka ASR model.

Base Model:

https://huggingface.co/swechatelangana/swecha-gonthuka-asr


Citation

If you use this model, please cite both the original Swecha Gonthuka ASR model and this fine-tuned model.

@misc{gonthuka_finetuned,
  title={Fine-Tuned Telugu ASR using Swecha Gonthuka ASR},
  author={Pravalika Moraboyina},
  year={2026},
  publisher={Hugging Face}
}

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
10c8e9f

0 моделей