Finnish-ASR-Canary-v2

Она предназначена для преобразования финской речи в текст, включая короткие записи, разговорную речь, подкасты, интервью, лекции и многоговорящие записи; для длинных аудиофайлов предусмотрены сценарии с VAD и диаризацией.

Модель основана на архитектуре Fast-Conformer с attention encoder-decoder и содержит около 1 млрд параметров. Она работает с аудио и генерирует текст на финском языке, использует библиотеку NVIDIA NeMo и поддерживает дополнительное beam search-декодирование с 6-граммовой KenLM-моделью для повышения качества. Заявленные значения WER составляют 4,58% на Common Voice, 7,75% на FLEURS, 7,03% на CSS10 и 11,65% на VoxPopuli; качество зависит от типа речи и согласованности нормализации транскриптов.

Сильные стороны модели — специализация на финском языке, хорошие результаты на нескольких речевых доменах и поддержка длинных записей с временными метками и диаризацией. Ограничения включают зависимость от NVIDIA NeMo и требовательную инфраструктуру; в документации для окружения тестирования указана NVIDIA GPU с не менее чем 48 ГБ VRAM. Модель распространяется по лицензии MIT.