/ Модель

Характеристики

Размер весов
919 МБ
Лицензия
Apache 2.0
Базовая модель
Shenava-Koochik-v1.0
Библиотека
nemo
Опубликована
4 июл 2026

Shenava-Koochik-v1.5

Распознавание речиАудио → текст4 профессии

Дообученная гибридная NeMo-модель для распознавания персидской речи с выбором между CTC- и RNNT-декодированием.

506скачиваний за 30 дней2лайкавеса обновлены12 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Shenava-Koochik v1.5 — модель распознавания персидской (фарси) речи в текст, разработанная Reza2kn. Это дообученная 114-миллионная FastConformer-модель NeMo с гибридной архитектурой RNNT и CTC: CTC-голова сохранена от v1.0, а RNNT-голова исправлена и заново обучена. Для распознавания можно выбрать любую из двух голов; автор рекомендует CTC для развёртывания. В приведённом автором тесте на golden-6669 обе головы показывают WER 8,12% для CTC и 9,50% для RNNT, а CER составляет около 2,6%.

RNNT-вывод может быть разговорным, поскольку модель обучалась на расшифровках, сохраняющих особенности речи. Для загрузки и распознавания автор приводит пример с библиотекой NeMo. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • расшифровка записей на фарси
  • транскрибация разговорной персидской речи
  • распознавание персидской речи с CTC-декодированием
  • распознавание персидской речи с RNNT-декодированием

Ограничения

RNNT-вывод может быть разговорным. Результаты WER и CER приведены автором для конкретного теста golden-6669 и не гарантируют аналогичное качество на других данных.

Для каких профессий подходит4

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

Shenava Koochik v1.5

Persian (Farsi) ASR — FastConformer hybrid RNNT + CTC (114M). The both-heads successor to v1.0.

What is new

  • RNNT head revived. v1.0's RNNT head was broken (a tokenizer/blank misalignment made greedy decoding loop forever, ~4398% WER). v1.5 surgically re-initializes the RNNT prednet+joint under the ve_tok_v4 tokenizer and trains it up via a 2-phase curriculum -> a working transducer head.
  • CTC head preserved. The deployed, record-setting CTC head is kept identical to v1.0 (encoder frozen during the corrective RNNT finetune) -> zero CTC regression.

Benchmarks (golden-6669, strict fair_text normalizer, att_context [70,13])

headv1.0v1.5
CTC8.12%8.12% (identical)
RNNT4398% (broken)9.50%

CTC remains the recommended/deployed head; RNNT is newly functional. Character error rate ~2.6%.

Usage

from nemo.collections.asr.models import ASRModel
m = ASRModel.from_pretrained("Reza2kn/Shenava-Koochik-v1.5")
m.change_decoding_strategy(decoder_type="ctc")   # or "rnnt"
print(m.transcribe(["audio.wav"]))

Notes

  • RNNT output leans colloquial (trained on audio-faithful ASR labels).
  • Trained on a cleaned mix (pseudo corpus + synthetic hardwords + human/article gold) with benchmark de-duplication and label-quality filtering (over-extension / repetition-loop removal).

Как запустить

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

GPU в ailist

Универсальный рантайм · nemo

Нельзя запустить

Модели NVIDIA NeMo требуют отдельного рантайма.

Ревизия весов
53e43f9

0 моделей