/ Модель

Характеристики

Параметры
403 млн
Лицензия
Не указана
Архитектура
wav2vec2 · dense
Опубликована
10 авг 2026

bangla-wav2vec2

Распознавание речиАудио → текст8 профессий

Модель Wav2Vec2 преобразует бенгальскую речь в текст на письме бенгали.

28скачиваний за 30 дней0лайковвеса обновлены1 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.

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

SayedShaun/bangla-wav2vec2 — модель автоматического распознавания речи на основе Wav2Vec2 с CTC-головой. По карточке, веса и конфигурацию загрузил пользователь SayedShaun, но они были обучены не им: чекпойнт зеркалирует модель из датасета wv-shru-v3-s6, опубликованного пользователем Kaggle qdv206.

Модель предназначена для преобразования речи на бенгальском языке в текст на письме бенгали. Она ожидает монофоническое аудио с частотой дискретизации 16 кГц и использует посимвольный CTC-словарь из 90 токенов, включающий символы бенгальского письма, цифры и базовую пунктуацию. Размер модели — около 402,7 млн параметров.

Карточка описывает совместимость с Transformers через стандартные классы Wav2Vec2ForCTC и AutoModelForCTC. Лицензия в метаданных обозначена как unknown; при использовании автор просит указывать первоначального создателя и ссылаться на исходный датасет.

Сценарии применения

  • транскрибация аудио на бенгальском языке
  • распознавание бенгальской речи в монофонических записях 16 кГц
  • получение текстовых расшифровок бенгальских аудиозаписей

Ограничения

Ожидаются монофонические записи с частотой 16 кГц; применимость к другим условиям записи карточка не описывает. Лицензия указана как unknown, поэтому условия использования требуют уточнения у источника.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Bangla Wav2Vec2 — ASR Model

A Wav2Vec2-based CTC acoustic model for Bengali (Bangla) automatic speech recognition (ASR).

Attribution

This model's weights and configuration were not trained by the uploader. They are mirrored from the Kaggle dataset wv-shru-v3-s6 published by Kaggle user qdv206. All credit for training and releasing the original model goes to the original author. This upload exists to make the checkpoint easier to load and use via the huggingface_hub / transformers ecosystem.

If you use this model, please credit the original author and link back to the source dataset above.

Model details

  • Architecture: Wav2Vec2 (CTC head), hidden_size=1024, checkpoint tag full_shru_v2_s20
  • Task: Automatic Speech Recognition (speech-to-text), Bengali script output
  • Vocabulary: Character-level CTC vocabulary (90 tokens) covering Bengali script, digits, and basic punctuation
  • Sampling rate: 16 kHz mono audio expected
  • Tokenizer/Processor: Wav2Vec2CTCTokenizer + Wav2Vec2FeatureExtractor (Wav2Vec2Processor)

Note: the original config.json lists architectures: ["Wav2Vec2ForCTCV2"], a custom class name used in the original training pipeline. The underlying weights are a standard Wav2Vec2-for-CTC architecture, so the model loads with the standard Wav2Vec2ForCTC / AutoModelForCTC classes from transformers (see usage below).

Usage

import torch
import soundfile as sf
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

model_id = "SayedShaun/bangla-wave2vec2"

processor = Wav2Vec2Processor.from_pretrained(model_id)
model = Wav2Vec2ForCTC.from_pretrained(model_id)

speech, sr = sf.read("audio.wav")  # expects 16kHz mono
inputs = processor(speech, sampling_rate=16000, return_tensors="pt", padding=True)

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

predicted_ids = torch.argmax(logits, dim=-1)
transcription = processor.batch_decode(predicted_ids)
print(transcription)

Source

License

No explicit license was specified by the original author on Kaggle. Please refer to the original dataset page for usage terms, and contact the original author for clarification if you plan to use this commercially.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTCV2
Ревизия весов
abfa2b6

0 моделей