/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-xls-r-300m
Библиотека
transformers
Опубликована
5 июн 2025

xls-r-lao-asr

Распознавание речиАудио → текст4 профессии

Дообученная модель XLS-R на 402,7 млн параметров для распознавания лаосской речи и преобразования аудио в текст.

293скачиваний за 30 дней0лайковвеса обновлены25 июл 2025

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

XLS-R Lao ASR — модель распознавания лаосской речи, разработанная SiangLao. Она дообучена на наборе SiangLao/lao-asr-thesis-dataset на базе facebook/wav2vec2-xls-r-300m и использует архитектуру Wav2Vec2 с выходным слоем CTC. Модель содержит 402,7 млн параметров и предназначена для преобразования аудиозаписей на лаосском языке в текст.

В README указана частота ошибок на уровне символов (CER): 13,67% на валидационной выборке и 15,14% на тестовой. Модель подходит для расшифровки лаосской речи и создания текстовых транскриптов. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • расшифровка аудиозаписей на лаосском языке
  • создание текстовых транскриптов лаосской речи
  • распознавание лаосской речи в голосовых сообщениях

Ограничения

На тестовой выборке CER составляет 15,14%, то есть распознавание может содержать ошибки. Оценка приведена для указанного набора данных; качество на других аудиозаписях может отличаться.

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

XLS-R Lao ASR

Fine-tuned XLS-R-300M model for Lao automatic speech recognition, achieving 15.14% CER on test data.

Model Details

This model is fine-tuned from facebook/wav2vec2-xls-r-300m using the SiangLao/lao-asr-thesis-dataset.

Training Configuration

  • Epochs: 15
  • Batch Size: 16
  • Learning Rate: 1e-4
  • Training Date: June 3, 2025
  • Vocabulary Size: 55 Lao characters + special tokens

Performance

SplitCER
Validation13.67%
Test15.14%

Usage

from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import torch
import librosa

# Load model and processor
model = Wav2Vec2ForCTC.from_pretrained("SiangLao/xls-r-lao-asr")
processor = Wav2Vec2Processor.from_pretrained("SiangLao/xls-r-lao-asr")

# Load audio
audio, sr = librosa.load("audio.wav", sr=16000)

# Process audio
inputs = processor(audio, sampling_rate=16000, return_tensors="pt")

# Generate prediction
with torch.no_grad():
    logits = model(**inputs).logits
    predicted_ids = torch.argmax(logits, dim=-1)
    transcription = processor.batch_decode(predicted_ids)[0]

# Clean transcription
transcription = transcription.replace("<unk>", " ").strip()

print(transcription)

Citation

@thesis{naovalath2025lao,
  title={Lao Automatic Speech Recognition using Transfer Learning},
  author={Souphaxay Naovalath and Sounmy Chanthavong},
  advisor={Dr. Somsack Inthasone},
  school={National University of Laos, Faculty of Natural Sciences, Computer Science Department},
  year={2025}
}

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
dfc9daa

0 моделей