/ Модель

Характеристики

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

swecha-gonthuka-asr

Распознавание речиАудио → текст

Модель Wav2Vec2, дообученная для преобразования аудиоречи на телугу в текст на телугу.

7скачиваний за 30 дней0лайковвеса обновлены18 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

Rahul Karnati разработал эту модель распознавания речи на телугу, дообучив Wav2Vec2ForCTC swechatelangana/swecha-gonthuka-asr. Модель содержит 113,3 млн параметров и преобразует аудиозаписи на телугу в текст на телугу. Она подходит для транскрибации речи, голосового поиска, голосовых интерфейсов и образовательных приложений.

Дообучение выполнено на пользовательском наборе из 1226 записей с расшифровками; валидационная выборка включала 123 записи. В README указаны WER 50,58% и CER 15,32%. Модель опубликована в формате safetensors для Transformers под лицензией Apache-2.0.

Распознавание может ошибаться на шумных записях, при сильных региональных акцентах, редких словах и очень быстрой речи.

Сценарии применения

  • транскрибация записей речи на телугу
  • распознавание телугу в голосовых интерфейсах
  • голосовой поиск на телугу
  • создание субтитров и текстовых расшифровок на телугу
  • распознавание речи в образовательных приложениях

Ограничения

В README указаны WER 50,58% и CER 15,32% на валидационной выборке. Модель может хуже распознавать шумную речь, сильные региональные акценты, редкие слова и очень быструю речь.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Telugu Automatic Speech Recognition (ASR)

Model Overview

This model is a fine-tuned Automatic Speech Recognition (ASR) model for the Telugu language. It is based on the swechatelangana/swecha-gonthuka-asr model and fine-tuned on a custom Telugu speech dataset.

The model converts spoken Telugu audio into Telugu text.


Model Details

  • Developed by: Rahul Karnati
  • Language: Telugu (te)
  • Task: Automatic Speech Recognition (ASR)
  • Base Model: swechatelangana/swecha-gonthuka-asr
  • Framework: Hugging Face Transformers
  • Fine-tuned using: PyTorch + Hugging Face Trainer

Dataset

The model was fine-tuned on a custom Telugu speech dataset.

Dataset statistics:

  • Total recordings: 1226
  • Language: Telugu
  • Audio Format: MP3
  • Sampling Rate: 16 kHz
  • Training Split: 1103
  • Validation Split: 123

The dataset contains Telugu speech recordings with corresponding Telugu transcripts.


Training Configuration

ParameterValue
Epochs20
Learning Rate1e-5
Batch Size8
OptimizerAdamW
FrameworkHugging Face Trainer

Evaluation Results

MetricValue
Validation Loss0.4166
Word Error Rate (WER)50.58%
Character Error Rate (CER)15.32%

Compared to the previous version of the model:

VersionDataset SizeValidation LossWERCER
V110170.444255.12%16.27%
V212260.416650.58%15.32%

The additional training data improved the overall recognition performance.


Usage

from transformers import AutoProcessor, AutoModelForCTC
import librosa
import torch

processor = AutoProcessor.from_pretrained("YOUR_USERNAME/YOUR_MODEL_NAME")
model = AutoModelForCTC.from_pretrained("YOUR_USERNAME/YOUR_MODEL_NAME")

speech, sr = librosa.load("sample.mp3", sr=16000)

inputs = processor(
    speech,
    sampling_rate=16000,
    return_tensors="pt"
)

with torch.no_grad():
    logits = model(**inputs).logits

predicted_ids = torch.argmax(logits, dim=-1)

prediction = processor.batch_decode(predicted_ids)[0]

print(prediction)

Applications

  • Telugu Speech-to-Text
  • Voice Assistants
  • Accessibility Applications
  • Educational Tools
  • Voice Search
  • Telugu Voice Interfaces

Limitations

The model may produce recognition errors for:

  • Noisy recordings
  • Heavy regional accents
  • Rare words
  • Extremely fast speech

Additional diverse training data can further improve performance.


Future Work

  • Increase dataset size
  • Support multiple Telugu dialects
  • Improve recognition in noisy environments
  • Reduce Word Error Rate
  • Deploy as a web application using FastAPI and Streamlit

Acknowledgements

  • Swecha Foundation
  • Hugging Face Transformers
  • PyTorch
  • Google Colab

Author

Rahul Karnati

Data Science Undergraduate

Specialization: Artificial Intelligence and Machine Learning

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
6fa32af

0 моделей