/ Модель

Характеристики

Параметры
403 млн
Лицензия
MIT
Архитектура
wav2vec2-bert · dense
Библиотека
transformers
Опубликована
13 июл 2026

afrivoices-edge-asr

Распознавание речиАудио → текст6 профессий

Модель Wav2Vec2-BERT распознаёт речь на шести восточноафриканских языках и рассчитана на развёртывание на CPU-устройствах.

18скачиваний за 30 дней0лайковвеса обновлены15 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

Pricile разработала wbertcur — единую модель распознавания речи для шести восточноафриканских языков, созданную для соревнования AfriVoices East Africa ASR Hackathon. Модель построена на архитектуре Wav2Vec2-BERT (Conformer) с символьной CTC-головой; в репозитории указано 402,7 млн параметров. Она принимает аудио и преобразует речь в текст на суахили, кикую, дхолуо, календжине, маасаи и сомали.

Модель предназначена для распознавания речи на CPU-устройствах с ограниченными ресурсами. В README приводятся измерения для int8-развёртывания на CPU: пиковая память 5,53 ГБ. Для улучшения качества авторы также проверяли декодирование с языковой моделью KenLM; для него требуется заранее знать язык аудио или отдельно определить его. Модель обучена на данных AfriVoices-KE и оценивалась на близком распределении, включающем прочитанную и спонтанную речь. Указанная лицензия модели — MIT.

Сценарии применения

  • транскрибация речи на суахили
  • распознавание речи на кикую и дхолуо
  • транскрибация аудио на календжине и маасаи
  • распознавание сомалийской речи
  • офлайн-распознавание речи на CPU-устройствах с ограниченной памятью

Ограничения

Календжин и маасаи остаются наиболее сложными для распознавания из-за ограниченности акустических данных. Для декодирования с KenLM язык аудио должен быть известен заранее либо определён отдельной системой; качество проверялось на распределении данных AfriVoices-KE.

Для каких профессий подходит6

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

wbertcur — Unified Edge ASR for Six East African Languages

A single, edge-deployable speech-to-text model for six East African languages, built for the AfriVoices East Africa ASR Hackathon (Multilingual Edge ASR track).

LanguagesSwahili (swa), Kikuyu (kik), Dholuo (luo), Kalenjin (kln), Maasai (mas), Somali (som)
Backbonefacebook/w2v-bert-2.0 (Conformer, 580 M params, MIT)
Headcharacter-level CTC
Weightsincluded in this repo (checkpoint wbertcur-step-16500)
Decoderper-language 4-gram KenLM (shallow fusion, pyctcdecode, beam 100)
LicenseMIT

Edge compliance (validated)

RequirementLimitMeasuredStatus
Parameters< 1 B0.58 B✅
Peak RAM≤ 8 GB5.53 GB (single language, int8)✅
ComputeCPU onlyCPU only✅
Latency (RTF)≤ 2.00.091 (int8, KenLM beam 100, end-to-end)✅

See HARDWARE_VALIDATION_REPORT.md in this repo for the full methodology.

Results

ConfigurationDev macro-WERKaggle (public)
Greedy (no LM)0.3547—
+ web-augmented 4-gram KenLM + per-language α/β0.28660.37236

Metric = unweighted mean of per-language WER (macro).

Usage

import numpy as np, torch, pyctcdecode, soundfile as sf
from transformers import Wav2Vec2BertForCTC, Wav2Vec2BertProcessor

REPO = "Pricile/afrivoices-edge-asr"      # self-contained: weights + LMs in this repo
model = Wav2Vec2BertForCTC.from_pretrained(REPO).eval()
proc  = Wav2Vec2BertProcessor.from_pretrained(REPO)

# character vocabulary sorted by index (required by pyctcdecode)
vocab = [t for t, i in sorted(proc.tokenizer.get_vocab().items(), key=lambda x: x[1])]
# per-language 4-gram KenLM binaries are in this repo under lm/ (huggingface_hub.hf_hub_download)
decoder = pyctcdecode.build_ctcdecoder(vocab, kenlm_model_path="lm/som_final_4gram.binary",
                                       alpha=0.5, beta=2.0)   # per-language α/β (see code/ab.json)

audio, sr = sf.read("clip.wav")     # 16 kHz mono
feats = proc.feature_extractor(audio, sampling_rate=16000, return_tensors="pt").input_features
with torch.no_grad():
    logits = model(feats).logits[0].numpy()
print(decoder.decode(logits, beam_width=100))

For CPU edge deployment, apply dynamic int8 quantisation:

torch.quantization.quantize_dynamic(model, {torch.nn.Linear}, dtype=torch.qint8, inplace=True)

Training (summary)

Fine-tuned from scratch on top of w2v-bert-2.0 with a character-level CTC head, using a length curriculum (max audio 15 s → 30 s → 45 s → 60 s) and language re-weighting (kln×4, mas×4, som×2) since the macro metric is dominated by the low-resource languages. LR 5e-5, cosine schedule, effective batch 32, bf16, EMA (0.9999), seed 42; best at step 16 500. Full methodology and ablations in TECHNICAL_REPORT.md.

Dataset & data card

Trained on AfriVoices-KE (African Next Voices — Pilot Data Collection in Kenya), released by the KenCorpus Consortium (Maseno University, USIU-Africa, Kabarak University, DeKUT, LDRI) and Digital Umuganda, funded by the Gates Foundation. License: CC BY 4.0. The organisers' full data card is reproduced in DATA_CARD.md.

Composition (organisers' figures):

LanguageISODialectsScripted (h)Unscripted (h)Total (h)
SwahiliswaNairobi/Kisii/Wajir/Mombasa/Nakuru, Tanzania02 9792 979
KikuyukikGĩ-Kabete, Ki-Mathira, Ki-Muranga, Ki-Ndia, Gĩ-Gichugu183571754
DholuoluoNyandwat, Milambo195528723
SomalisomMaxatire, Mogadishu1188841 002
KalenjinklnNandi, Kipsigis122399521
MaasaimasKimasaai, Kisamburu51454505

Splits are speaker-disjoint (train 85 % / dev 5 % / dev_test 5 % / test 5 %). For LM shallow fusion, extra public text was used for Somali (CC-100) and Kalenjin (Zenodo).

Please cite the dataset (Wanzare et al., 2026 — accepted at LREC SIGUL 2026): AfriVoices-KE: A Multilingual Speech Dataset for Kenyan Languages, arXiv:2604.08448.

Limitations

  • Kalenjin and Maasai remain the hardest languages (genuine low-resource acoustic difficulty).
  • The KenLM decoder is per-language; language identity is assumed known at inference (or run LID first).
  • Trained and evaluated on the AfriVoices-KE distribution (read + spontaneous speech).

License & citation

MIT. Backbone w2v-bert-2.0 is likewise MIT. Please cite the AfriVoices Hackathon and this repository.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2BertForCTC
Ревизия весов
599b8e4

0 моделей