/ Модель

Характеристики

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

Swecha_Gonthuka_ASR_Finetuned

Распознавание речиАудио → текст

Дообученная Wav2Vec2-модель преобразует речь на телугу в текст для транскрибации и голосовых приложений.

5скачиваний за 30 дней0лайковвеса обновлены9 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

Модель Venigalla Shamanth Chowdary для автоматического распознавания речи на телугу. Это дообученная версия Swecha Gonthuka ASR на архитектуре Wav2Vec2ForCTC с 113,3 млн параметров; модель принимает аудио и преобразует речь в текст. Она предназначена для транскрибации, создания субтитров, голосового поиска и голосовых приложений на телугу.

Для дообучения использовано около 5 000 пар аудио и расшифровок на телугу. В карточке указана частота дискретизации 16 кГц и WER 0,4595 на валидации. Качество зависит от шума, акцента, устройства записи и темпа речи; автор отмечает возможное снижение точности на незнакомых акцентах и шумных записях. Модель не предназначена для распознавания других языков, идентификации говорящего или задач, где критична высокая точность. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация аудио на телугу
  • создание субтитров на телугу
  • распознавание речи в записях встреч
  • голосовой поиск на телугу
  • преобразование речи на телугу в текст для голосового помощника

Ограничения

Качество может снижаться при фоновом шуме, незнакомом акценте, низком качестве записи и быстром темпе речи. Модель не рассчитана на языки помимо телугу и не рекомендуется для медицинских, юридических или критически важных применений.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Swecha Gonthuka ASR Finetuned

Model Details

Model Description

This model is a fine-tuned version of the Swecha Gonthuka ASR model for Telugu Automatic Speech Recognition (ASR). It has been fine-tuned on a custom Telugu speech dataset containing approximately 5,000 audio-transcription pairs.

  • Developed by: Venigalla Shamanth Chowdary
  • Base model: swechatelangana/swecha-gonthuka-asr
  • Model type: Wav2Vec2ForCTC
  • Language: Telugu (te)
  • License: Apache-2.0 (same as the base model, if applicable)
  • Framework: Hugging Face Transformers + PyTorch

Model Sources


Uses

Direct Use

This model is intended for:

  • Telugu Speech-to-Text
  • Voice assistants
  • Automatic transcription
  • Telugu speech datasets
  • Research in Indian language ASR
  • Educational and accessibility applications

Downstream Use

Possible downstream applications include:

  • Subtitle generation
  • Meeting transcription
  • Voice search
  • Speech analytics
  • Telugu conversational AI
  • Voice-enabled applications

Out-of-Scope Use

This model is not intended for:

  • Languages other than Telugu
  • Speaker identification
  • Emotion recognition
  • Medical or legal transcription where high accuracy is required
  • Safety-critical applications

Bias, Risks and Limitations

Performance depends on:

  • Audio quality
  • Background noise
  • Speaker accent
  • Recording device
  • Speech speed

The model may perform less accurately on unseen accents or noisy recordings.


How to Get Started

from transformers import AutoProcessor, AutoModelForCTC

processor = AutoProcessor.from_pretrained(
    "ShamanthChowdary/Swecha_Gonthuka_ASR_Finetuned"
)

model = AutoModelForCTC.from_pretrained(
    "ShamanthChowdary/Swecha_Gonthuka_ASR_Finetuned"
)

Training Details

Training Data

The model was fine-tuned using a custom Telugu speech dataset containing approximately:

  • 5000 audio samples
  • WAV format
  • Sampling rate: 16 kHz
  • Human-annotated Telugu transcriptions

Training Procedure

Preprocessing

  • Audio resampled to 16 kHz
  • Audio-token alignment using Wav2Vec2 Processor
  • Text tokenization using the processor tokenizer

Training Hyperparameters

ParameterValue
Epochs10
Learning Rate1e-5
Batch Size4
Gradient Accumulation2
Warmup Steps500
OptimizerAdamW
Mixed PrecisionFP16

Evaluation

Metrics

Word Error Rate (WER)

Results

MetricValue
Validation Loss0.2603
Training Loss0.5500
Word Error Rate (WER)0.4595

Model Architecture

  • Architecture: Wav2Vec2ForCTC
  • Framework: Transformers
  • Backend: PyTorch

Hardware

Training performed using:

  • Google Colab
  • NVIDIA Tesla T4 GPU

Software

  • Python
  • PyTorch
  • Hugging Face Transformers
  • Datasets
  • Gradio

More Information

This model was developed as part of a Telugu Automatic Speech Recognition fine-tuning project using the Swecha Gonthuka ASR base model.


Author

Venigalla Shamanth Chowdary

GitHub: https://github.com/shamanth-25

LinkedIn: https://www.linkedin.com/in/shamanthchowdary/

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
cee3991

0 моделей