/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
icefall
Опубликована
21 июл 2026

hindi-hinglish-zipformer-ctc-streaming

Распознавание речиАудио → текст

Потоковая модель Zipformer2-M распознаёт речь на хинди и смешанном хинди-английском языке.

0скачиваний за 30 дней0лайковвеса обновлены23 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Vengadanathan/hindi-hinglish-zipformer-ctc-streaming — потоковая модель распознавания речи, разработанная с нуля на базе Zipformer2-M и обученная с помощью icefall. Она предназначена для распознавания хинди и смешанной речи Hinglish с переключением между хинди и английским. Архитектура включает причинный энкодер Zipformer2-M примерно на 64,6 млн параметров и чистую CTC-голову; обработка разбита на чанки, входные признаки — 80-мерные fbank при частоте 16 кГц.

Модель подходит для потоковой расшифровки разговоров и аудио на хинди и Hinglish. В README приведены результаты для IndicVoices-hi, внутренних звонков Hinglish и индийского английского; английский распознаётся слабее из-за меньшего объёма обучающих данных. Декодирование выполняется жадным поиском CTC без языковой модели, а текстовый словарь содержит символы деванагари, латинские буквы и цифры. Для использования необходимы веса PyTorch и код icefall; лицензия — Apache-2.0.

Сценарии применения

  • потоковая расшифровка разговоров на хинди
  • распознавание Hinglish с переключением между хинди и английским
  • транскрибация телефонных звонков на Hinglish
  • распознавание индийского английского в аудиозаписях

Ограничения

Жадное CTC-декодирование выполняется без языковой модели, которая могла бы улучшить качество. Распознавание английского слабее, чем хинди, из-за ограниченного объёма английских обучающих данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Hindi/Hinglish Streaming ASR — Zipformer-M CTC

A from-scratch streaming ASR model for Hindi + code-mixed Hinglish. Architecture: Zipformer-M encoder (~65M) + pure CTC head, causal/chunked for streaming, character-level (Unicode codepoint) vocab. Trained with icefall.

Two releases:

  • model_p3_epoch15_avg8.pt — CURRENT BEST (Phase 3): scaled up on ~337h.
  • model_p1_epoch30_avg8.pt — Phase 1 baseline (~89h).

Results (CTC greedy, no LM; checkpoint-averaged)

Eval setPhase 1 (~89h)Phase 3 (~337h)
IndicVoices-hi (Hindi)37.2%25.7%
call-test (internal hinglish calls)47.3%39.9%
Svarah (Indian English)50.3%44.5%

Architecture

Zipformer2 "M" (~64.6M): num_encoder_layers=2,2,3,4,3,2, encoder_dim=192,256,384,512,384,256, downsampling_factor=1,2,4,8,4,2, causal, chunk_size=16,32,64,-1, left_context_frames=64,128,256,-1. Pure CTC head, 80-dim fbank @16kHz, subsampling 4 (~25 Hz). Vocab 103 tokens (<blk>,<sos/eos>,<unk>,▁=word-boundary, 63 Devanagari + 26 a-z + 10 digits).

Training data

  • Phase 1 (base, from scratch): IndicVoices-hi 60h + keywords 15.4h + Svarah 8.4h + numbers 5.9h (~89h).
  • Phase 3 (scale-up, warm-start from P1): IndicVoices-hi 307h + keywords + Svarah + numbers (~337h base → ~1017h with ×3 speed perturbation). IndicVoices text uses unsanitized_normalized (code-switch word [English] → English, tags stripped); all text NFC-normalized, punctuation/foreign scripts dropped, Latin lowercased.

Training

icefall zipformer recipe (char-CTC), PyTorch 2.4.1+cu124 / k2 / lhotse, bf16 (fp16 was unstable on a single L4), ScaledAdam + Eden. P1: from scratch, base_lr 0.045, 30 ep. P3: warm-start (--init-ckpt), base_lr 0.02, 15 ep, non-finite-loss batches skipped. Single NVIDIA L4.

Files

model_p3_epoch15_avg8.pt / model_p1_epoch30_avg8.pt — averaged weights + arch config + vocab_size. tokens.txt — vocab. scripts/ — full reproduction pipeline.

Usage (decode)

Build the icefall zipformer from the checkpoint's config, load_state_dict(ckpt["model"]), extract 80-dim lhotse fbank, run encoder_embed → encoder → ctc_output → ctc_greedy_search, map ids via tokens.txt, replace ▁→space. See scripts/eval_wer.py and scripts/server_ctc.py.

Limitations

Greedy CTC, no LM (n-gram/RNN-T would improve WER). English weaker than Hindi (English data-limited).

Как запустить

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

GPU в ailist

Универсальный рантайм · icefall

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
c511762

0 моделей