/ Модель

Характеристики

Параметры
403 млн
Лицензия
CC BY-NC 4.0
Архитектура
wav2vec2 · dense
Базовая модель
mms-300m
Библиотека
transformers
Опубликована
18 фев 2026

mms-300m-fongbe

Распознавание речиАудио → текст3 профессии

Модель распознаёт речь на языке фон и транскрибирует её в текст с сохранением тоновых знаков и специальных букв.

687скачиваний за 30 дней0лайковвеса обновлены19 фев 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

Professor разработал эту модель на основе facebook/mms-300m, дообучив её для автоматического распознавания речи на языке фон (фɔнгбе), тональном языке, распространённом в Бенине. Модель использует архитектуру Wav2Vec2 с выходной головой CTC и содержит 402,7 млн параметров; она принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст.

Модель предназначена для расшифровки речи на фон и сохранения тоновых диакритических знаков и специальных букв, включая ɖ, ɛ и ɔ. В тесте ALFFA на 2168 высказываниях автор сообщает WER 9,48% и CER 3,96%. Её также можно использовать как основу для дальнейших исследований и разработки инструментов для языка фон.

В карточке указаны ограничения: качество может снижаться при шуме и фоновой музыке; для отдельных диалектов и быстрой разговорной речи может потребоваться дополнительная настройка. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Сценарии применения

  • транскрибация записей речи на языке фон
  • распознавание речи на языке фон в аудиоархивах
  • создание субтитров для аудио и видео на языке фон
  • подготовка текстовых расшифровок для исследований языка фон
  • разработка речевых сервисов для носителей языка фон

Ограничения

Качество может снижаться при шуме и фоновой музыке; для отдельных диалектов и быстрой разговорной речи может понадобиться дополнительное дообучение.

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

mms-300m-fongbe

This model is a fine-tuned version of facebook/mms-300m specifically for Fongbe (Fon), a tonal language primarily spoken in Benin.

It was developed to preserve linguistic integrity by maintaining critical tonal diacritics and unique orthographic characters (e.g., ɖ, ɛ, ɔ, è, é). This model achieves State-of-the-Art (SOTA) results for Fongbe Automatic Speech Recognition (ASR) on the ALFFA test benchmark.

📊 Evaluation Results

The model was evaluated on the held-out ALFFA test set (2,168 utterances):

MetricScore
WER (Word Error Rate)0.0948 (9.48%)
CER (Character Error Rate)0.0396 (3.96%)

Benchmark Comparison (with diacritics)

ModelWER (%)CER (%)Year
Laleye et al. (Baseline)44.04%—2016
MMS-300m-Fongbe (Ours)9.48%3.96%2026

Inference Examples

ReferencePredictionResult
gannu elɔ kpɔ hu ɖe ɔgannu elɔ kpɔ hu ɖe ɔ✅ Perfect
ɖɔla tεnweɖɔla tεnwe✅ Perfect
ama e gbɔ mɔ ɖo nɔ ɔ nu e wε e nɔ ɖuama e gbɔ mɔ ɖo nɔ ɔ nu ɔ e nɔ ɖu⚠️ Minor error

📖 Model Description

  • Architecture: MMS (Massive Multilingual Speech) 300M parameter model.
  • Methodology: Fine-tuned with Connectionist Temporal Classification (CTC) loss.
  • Language: Fongbe (fon).
  • Phonetic Representation: Tone-preserved orthography using NFD/NFC normalization.
  • Special Features: Full support for Fon-specific characters (ɖ, ɛ, ɔ) and tone markers.

🚀 How to Use

from transformers import pipeline

asr = pipeline("automatic-speech-recognition", model="Professor/mms-300m-fongbe")

# Ensure your audio is 16kHz
transcription = asr("path_to_audio.wav")
print(transcription["text"])

🎯 Intended Uses & Limitations

Intended Uses

  • High-accuracy transcription of Fongbe speech.
  • Research in low-resource and tonal language modeling.
  • Base model for downstream Fongbe NLP tasks (NLP4Fon).

Limitations

  • Performance may degrade in noisy environments or with heavy background music.
  • Primarily trained on continuous speech; may require further fine-tuning for specific dialects or extremely fast colloquial speech.

📁 Training and Evaluation Data

The model was trained on a consolidated dataset merging the ALFFA Project (African Languages in the Field) data and the Zenodo Fongbe Speech Dataset:

  • Train + Validation Set: ~10.85 hours (Merged and re-split 90/10).
  • Test Set: ~1.45 hours (Standard 2,168 utterances from ALFFA for benchmark consistency).
  • Sampling Rate: 16,000 Hz.

⚙️ Training Procedure

Hyperparameters

  • Learning Rate: 1e-4
  • Effective Batch Size: 64 (Batch 16 x 4 Grad Accumulation)
  • Optimizer: AdamW (Fused)
  • Epochs: 30
  • Precision: Mixed Precision (FP16)
  • Hardware: NVIDIA H100 GPU

Training Logs

Training LossEpochStepValidation LossWER
26.38613.115001.01710.6021
2.57966.2110000.33660.2600
1.33169.3215000.23120.1799
0.908712.4220000.20310.1557
0.667815.5325000.17520.1397
0.506918.6430000.17470.1325
0.403421.7435000.15830.1137
0.314224.8540000.16180.1147
0.262227.9545000.16560.1085

📜 Citation & Credits

If you use this model in your research, please cite the following:

Dataset Contributors: Laleye, Fréjus A. A., et al. (ALFFA Project & Zenodo release).

Model Developer: Victor Olufemi (Professor).

@dataset{laleye_frejus_2022_6604637,
  author       = {Laleye, Fréjus A. A.},
  title        = {Fongbe Speech Dataset},
  year         = 2022,
  publisher    = {Zenodo},
  doi          = {10.5281/zenodo.6604637}
}

@inproceedings{laleye2016FongbeASR,       
    title={First Automatic Fongbe Continuous Speech Recognition System},     
    author={A. A Laleye, Fréjus and Besacier, Laurent and Ezin, Eugène C. and Motamed, Cina},     
    year={2016},     
    organization={FedCSIS}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
88839ed

0 моделей