/ Модель
Каталог

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-xls-r-300m
Библиотека
transformers
Опубликована
17 авг 2026

Ссылки

Hugging Face

AvaSanj-v1

Reza2kn
Распознавание речиАудио → текст3 профессии

AvaSanj-v1 распознаёт персидскую речь и выдаёт фонемы в формате repr1 для фонетической разметки и проверки результатов G2P.

35скачиваний за 30 дней1лайквеса обновлены9 сен 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.

Открыть конструктор бенчмарка

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

AvaSanj-v1 — модель автоматического распознавания персидской речи, разработанная Reza2kn на основе facebook/wav2vec2-xls-r-300m и дообученная для CTC на 8 437 одобренных аудиофрагментах. Она преобразует речь в последовательности фонем в общей системе repr1, используемой также моделями G2P Negara; для обработки требуется локальный файл vocabulary.json с отображением токенов.

Модель предназначена прежде всего для фонетической разметки персидской речи и арбитража расхождений между вариантами преобразования графем в фонемы в конвейере AvaSanj. В README указаны лучший шаг обучения 800 и валидационный CER 0,0479; для OOF-сценария сообщаются около 96,3% точности и 95,9% полноты на проверке искажений. Распространяется по лицензии Apache-2.0 с сохранением применимых сторонних уведомлений об авторских правах и лицензиях.

Сценарии применения

  • преобразование персидской речи в фонемы repr1
  • фонетическая разметка персидских аудиозаписей
  • арбитраж расхождений в преобразовании персидского текста в фонемы
  • оценка фонемных гипотез на ранее не встречавшихся голосах

Ограничения

Модель выдаёт фонемы в специальном алфавите repr1, а не обычную текстовую транскрипцию; для корректного декодирования нужен vocabulary.json. Описанные метрики относятся к указанной в README валидации и OOF-конвейеру AvaSanj.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделейII.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделейII.4Разработка и данныеОтладка, тестирование и качество ПОAI помогает находить дефекты, строить проверки и повышать надёжность программного продукта.25 задач13 978моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

AvaSanj-v1

Persian repr1 automatic speech recognizer (AvaSanj v1) fine-tuned from facebook/wav2vec2-xls-r-300m on 8,437 approved Persian audio clips.

Outputs phonemes in the shared repr1 alphabet (A C Q S Z … + lowercase IPA-style phonemes) — the same canonical alphabet used by the Negara G2P models, making this model a drop-in listener for grapheme-to-phoneme adjudication.

Provenance

  • Original model: facebook/wav2vec2-xls-r-300m (Apache-2.0), fine-tuned for CTC.
  • Data: 8,437 approved (lattice-supported) Persian clips; target labels are the audio_target_phonemes_vnext repr1 label field.
  • Role: used as the OOF (out-of-fold) listener in the AvaSanj data pipeline — each fold scores only voices it never trained on — to arbitrate G2P disagreements at margin ≥ 0.1 (~96.3% precision / 95.9% recall on the corruption gate).
  • Selection: best step 800, best validation CER 0.0479.

Model

  • Architecture: Wav2Vec2ForCTC, base wav2vec2-xls-r-300m (~300 M params).
  • Vocabulary: repr1 (see vocabulary.json) — 30-token inventory incl. <blank> + " ".
  • Full eval: report.json.

Usage

from transformers import Wav2Vec2ForCTC
model = Wav2Vec2ForCTC.from_pretrained("Reza2kn/AvaSanj-v1-audio8437")

Note: load with the local vocabulary.json for the repr1 tokenizer mapping.

Files

  • config.json, model.safetensors — HF wav2vec2 checkpoint (best-model/)
  • vocabulary.json — repr1 vocab
  • report.json — full eval report (baseline, corruption gate, OOF fold stats)

Licensing and attribution

This model distribution is licensed under the Apache License, Version 2.0. See LICENSE. Existing third-party copyright, license, and attribution notices remain applicable.

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
2276dca

0 моделей

    Создать бенчмарк