/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-xls-r-300m
Опубликована
6 июн 2026

Khmer-ocm

Распознавание речиАудио → текст5 профессий

Khmer-ocm — дообученная модель Wav2Vec2 для распознавания кхмерской речи и преобразования аудио в текст.

30скачиваний за 30 дней0лайковвеса обновлены6 июн 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

Vatho разработал Khmer-ocm — модель автоматического распознавания кхмерской речи, дообученную на 50 часах кхмерского речевого корпуса на базе facebook/wav2vec2-xls-r-300m. Это архитектура Wav2Vec2 с CTC-декодированием, предназначенная для преобразования аудиозаписей в текст; размер модели составляет 402,7 млн параметров, веса опубликованы в формате Safetensors. Модель рассчитана на кхмерский язык и лучше всего работает с чистыми записями с частотой 16 кГц.

При нормализации текста сохраняются только символы кхмерского блока Unicode U+1780–U+17FF, а пунктуация, латиница и лишние пробелы удаляются. На шумной речи и данных, отличающихся от обучающих, качество может снижаться; при декодировании не применяется языковая модель для дополнительного пересчёта. Лицензия — Apache 2.0.

Сценарии применения

  • транскрибация чистых записей речи на кхмерском языке
  • распознавание кхмерской речи в аудиозаписях с частотой 16 кГц
  • подготовка кхмерских транскриптов из речевого корпуса

Ограничения

Обучение на 50 часах данных может ограничивать качество на шумной речи и аудио вне обучающей области; лучшие результаты ожидаются на чистых записях с частотой 16 кГц. При декодировании не применяется языковая модель для пересчёта, а нормализация удаляет пунктуацию и символы вне кхмерского Unicode-блока.

Для каких профессий подходит5

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

🇰🇭 Khmer Speech Recognition — Wav2Vec2 XLS-R (50 h)

Fine-tuned facebook/wav2vec2-xls-r-300m on the first 50 hours of a Khmer speech corpus using CTC decoding.


Model details

PropertyValue
Base modelfacebook/wav2vec2-xls-r-300m
LanguageKhmer / ភាសាខ្មែរ (km)
TaskAutomatic Speech Recognition (ASR)
Training dataFirst 50 hours of Khmer audio
Input sample rate16 kHz, mono
ArchitectureWav2Vec2 + CTC head
Framework🤗 Transformers

How to use

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

# Load model
processor = Wav2Vec2Processor.from_pretrained("Vatho/wav2vec2-khmer-xls-r-50h")
model     = Wav2Vec2ForCTC.from_pretrained("Vatho/wav2vec2-khmer-xls-r-50h")
model.eval()

# Load audio (must be 16 kHz mono WAV)
audio, sr = sf.read("your_audio.wav")

# Transcribe
inputs = processor(audio, sampling_rate=16000, return_tensors="pt")
with torch.no_grad():
    logits = model(**inputs).logits

predicted_ids = torch.argmax(logits, dim=-1)
print(processor.batch_decode(predicted_ids)[0])

Text normalisation

Only characters in the Khmer Unicode block (U+1780–U+17FF) are kept. All punctuation, Latin characters, and extra whitespace are stripped before scoring.


Limitations

  • Trained on 50 h of data — performance may degrade on out-of-domain or noisy speech.
  • No language model rescoring is applied at decode time.
  • Best results on clean, 16 kHz recordings.

Training details

SettingValue
OptimizerAdamW
Base learning rate3e-4
Batch size16
Max steps20,000
Warmup steps2,000
CTC loss✓
Early stopping✓

Citation

If you use this model, please cite the base model:

@article{babu2021xls,
  title     = {XLS-R: Self-supervised Cross-lingual Speech Representation Learning at Scale},
  author    = {Babu, Arun and Wang, Changhan and Tjandra, Andros and others},
  journal   = {arXiv preprint arXiv:2111.09296},
  year      = {2021}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
a200320

0 моделей