/ Модель

Характеристики

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

swecha-gonthuka-finetuned

Распознавание речиАудио → текст

Дообученная модель Wav2Vec2 для преобразования речи на телугу в текст.

10скачиваний за 30 дней0лайковвеса обновлены17 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 Sujji77/swecha-gonthuka-finetuned — дообученная Srujana Talari модель автоматического распознавания речи на телугу. Она преобразует аудиозаписи речи на телугу в текст на телугу и предназначена для транскрибации, голосовых приложений и исследований языковых технологий. Модель построена на архитектуре Wav2Vec2ForCTC, содержит 113,3 млн параметров и использует библиотеку Hugging Face Transformers; для дообучения применялся набор аудиозаписей с транскрипциями на телугу, записанных с частотой 16 кГц. Репозиторий содержит веса в формате safetensors.

Модель лучше всего подходит для речи на телугу. Точность распознавания зависит от качества записи, а фоновый шум может ухудшать результат. Лицензия Apache-2.0.

Сценарии применения

  • транскрибация аудиозаписей на телугу
  • распознавание речи на телугу в голосовых приложениях
  • создание субтитров для речи на телугу
  • подготовка транскриптов телугу для языковых исследований

Ограничения

Точность зависит от качества записи; фоновый шум может снижать качество транскрипции. Модель лучше всего подходит для речи на телугу.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Telugu ASR Fine-Tuned Model

Overview

This repository contains a fine-tuned Automatic Speech Recognition (ASR) model for the Telugu language.

The model is based on Swecha Gonthuka ASR and has been fine-tuned using a custom Telugu speech dataset consisting of paired audio recordings and transcriptions.

The model converts spoken Telugu audio into Telugu text and is intended for speech transcription, accessibility, and language technology research.


Base Model

  • Model: swechatelangana/swecha-gonthuka-asr
  • Architecture: Wav2Vec2ForCTC
  • Framework: Hugging Face Transformers
  • Language: Telugu (te)

Fine-Tuning Dataset

The model was fine-tuned on a Telugu speech corpus containing:

  • Telugu audio recordings
  • Corresponding Telugu text transcriptions
  • Audio sampled at 16 kHz

Intended Uses

This model can be used for:

  • Telugu Speech-to-Text
  • Automatic Speech Recognition (ASR)
  • Voice-enabled applications
  • Telugu transcription
  • Language technology research

Usage

import librosa
import torch
from transformers import AutoProcessor, AutoModelForCTC

processor = AutoProcessor.from_pretrained(
    "Sujji77/swecha-gonthuka-finetuned"
)

model = AutoModelForCTC.from_pretrained(
    "Sujji77/swecha-gonthuka-finetuned"
)

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

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

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

pred_ids = torch.argmax(logits, dim=-1)

transcription = processor.batch_decode(pred_ids)[0]

print(transcription)

Training Details

ItemValue
Base ModelSwecha Gonthuka ASR
ArchitectureWav2Vec2ForCTC
FrameworkTransformers
LanguageTelugu
TaskAutomatic Speech Recognition

Limitations

  • Performance depends on recording quality.
  • Background noise may reduce transcription accuracy.
  • Best suited for Telugu speech.

Author

Srujana Talari

Frontend Developer • AI Intern


Citation

If you use this model in your research or application, please cite this repository. v

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
df6a721

0 моделей