/ Модель

Характеристики

Параметры
113 млн
Лицензия
AGPL 3.0
Архитектура
wav2vec2 · dense
Базовая модель
swecha-gonthuka-asr
Библиотека
transformers
Опубликована
9 июл 2026

swecha-gonthuka-finetuned

Распознавание речиАудио → текст

Дообученная Wav2Vec2-модель для преобразования речи на телугу в текст.

13скачиваний за 30 дней0лайковвеса обновлены18 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

Vasantha23/swecha-gonthuka-finetuned — модель автоматического распознавания речи на телугу, разработанная путём дообучения Swecha Gonthuka ASR. Это Wav2Vec2ForCTC с 113,3 млн параметров, рассчитанная на преобразование речи в текст на телугу. Модель принимает монофонические WAV-записи с частотой дискретизации 16 кГц и выдаёт текст на телугу в Unicode; совместима с Transformers.

Модель предназначена для расшифровки записей, создания субтитров, голосовых интерфейсов, образовательных и вспомогательных приложений. Дообучение на пользовательском наборе речевых данных на телугу, по описанию автора, направлено на повышение качества распознавания относительно базовой модели; численные результаты оценки не приведены.

Качество может снижаться при сильном фоновом шуме, низком качестве записи, нескольких говорящих, выраженных региональных акцентах и очень коротких фрагментах речи. Лицензия — AGPL-3.0.

Сценарии применения

  • расшифровка записей речи на телугу
  • создание субтитров для аудио и видео на телугу
  • распознавание команд для голосового помощника на телугу
  • транскрибирование учебных аудиоматериалов на телугу
  • подготовка текстовых расшифровок для средств доступности

Ограничения

Качество может снижаться при сильном шуме, низком качестве записи, нескольких говорящих, выраженных региональных акцентах и очень коротких аудиофрагментах. Численные метрики качества в карточке не приведены.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Swecha Gonthuka Fine-Tuned Telugu ASR

Overview

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

The model is built on Swecha Gonthuka ASR and further fine-tuned using a custom Telugu speech dataset to improve transcription quality and recognition accuracy for Telugu speech.

This model converts spoken Telugu audio into Telugu Unicode text and can be used in a wide range of speech recognition applications.


Features

  • 🎤 Telugu Automatic Speech Recognition (ASR)
  • 📝 Speech-to-Text Conversion
  • ⚡ Fine-tuned Wav2Vec2ForCTC Model
  • 🤗 Compatible with Hugging Face Transformers
  • 🎧 Supports 16 kHz WAV Audio
  • 📚 Custom Telugu Speech Dataset Fine-tuning

Model Details

PropertyValue
Model Nameswecha-gonthuka-finetuned
Hugging Face RepositoryVasantha23/swecha-gonthuka-finetuned
Model TypeWav2Vec2ForCTC
FrameworkHugging Face Transformers
Base Modelswechatelangana/swecha-gonthuka-asr
LanguageTelugu
TaskAutomatic Speech Recognition
Fine-tuned ByVasantha

Base Model

This model is fine-tuned from:

swechatelangana/swecha-gonthuka-asr

Model Lineage

Harveenchadha/wav2vec2-pretrained-clsril-23-10k
                ↓
swechatelangana/swecha-gonthuka-asr
                ↓
Vasantha23/swecha-gonthuka-finetuned

After Hugging Face processes the repository metadata, this lineage should automatically appear under the Model Tree section.


Fine-Tuning Dataset

The model was fine-tuned using a custom Telugu speech dataset.

Dataset Characteristics

  • Language: Telugu
  • Audio Format: WAV
  • Sampling Rate: 16 kHz
  • Mono Audio
  • UTF-8 Telugu Transcriptions
  • Task: Automatic Speech Recognition

Training Configuration

HyperparameterValue
ArchitectureWav2Vec2ForCTC
FrameworkHugging Face Transformers
OptimizerAdamW
Learning Rate1e-4
Batch Size8
Epochs10
Mixed PrecisionFP16
Loss FunctionCTC Loss

Installation

pip install transformers torchaudio librosa soundfile

Usage

Load Processor and Model

from transformers import AutoProcessor, AutoModelForCTC

processor = AutoProcessor.from_pretrained(
    "Vasantha23/swecha-gonthuka-finetuned"
)

model = AutoModelForCTC.from_pretrained(
    "Vasantha23/swecha-gonthuka-finetuned"
)

Speech Recognition Pipeline

from transformers import pipeline

pipe = pipeline(
    "automatic-speech-recognition",
    model="Vasantha23/swecha-gonthuka-finetuned"
)

result = pipe("audio.wav")

print(result["text"])

Manual Inference

import librosa
import torch
from transformers import AutoProcessor, AutoModelForCTC

processor = AutoProcessor.from_pretrained(
    "Vasantha23/swecha-gonthuka-finetuned"
)

model = AutoModelForCTC.from_pretrained(
    "Vasantha23/swecha-gonthuka-finetuned"
)

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

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)[0]

print(transcription)

Example

Input

audio.wav

Output

ఈ రోజు వాతావరణం చాలా బాగుంది.

Applications

This model can be used for:

  • Telugu Speech Recognition
  • Speech-to-Text Systems
  • Voice Assistants
  • Audio Transcription
  • Subtitle Generation
  • Educational Applications
  • Research in Telugu ASR
  • Accessibility Tools

Performance

The model has been fine-tuned to improve Telugu speech recognition performance over the base model using a custom Telugu dataset.

Typical evaluation metrics include:

  • Word Error Rate (WER)
  • Character Error Rate (CER)

Limitations

Performance may decrease in the following situations:

  • Heavy background noise
  • Low-quality recordings
  • Multiple speakers
  • Strong regional accents
  • Very short audio clips

Acknowledgements

This project builds upon the excellent work of:

  • Swecha Telangana
  • Hugging Face
  • Hugging Face Transformers
  • PyTorch
  • Wav2Vec2
  • Mozilla Common Voice Community

Special thanks to the creators of Swecha Gonthuka ASR for making the base Telugu ASR model publicly available.


Citation

If you use this model in your work, please cite:

@misc{swecha_gonthuka_finetuned,
  title={Swecha Gonthuka Fine-Tuned Telugu ASR},
  author={Vasantha},
  year={2026},
  publisher={Hugging Face},
  url={https://huggingface.co/Vasantha23/swecha-gonthuka-finetuned}
}

License

This model is released under the AGPL-3.0 License, consistent with the licensing of the base model.


Contact

For questions, suggestions, or improvements, please open an issue in the Hugging Face repository or contact the repository maintainer.

Hugging Face Repository

https://huggingface.co/Vasantha23/swecha-gonthuka-finetuned

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
224a21c

0 моделей