/ Модель

Характеристики

Контекст
32 768 токенов
Размер весов
22,4 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_omni · dense
Библиотека
transformers
Опубликована
26 сен 2026

Liujgoj-Cantonese-Qwen2.5-Omni-7B-ASR-V2

Распознавание речиАудио → текст3 профессии

Модель распознаёт кантонскую речь и записывает её латиницей по орфографии Liujgoj Cantonese.

58скачиваний за 30 дней0лайковвеса обновлены9 окт 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

Liujgoj-Cantonese-Qwen2.5-Omni-7B-ASR-V2 — специализированная модель распознавания речи на кантонском языке, созданная Yvthyvq на основе Qwen2.5-Omni-7B. Она принимает кантонскую речь и транскрибирует её латиницей по орфографии Liujgoj Cantonese, передавая слоги и тоны. Модель обучали в три этапа: продолженное предобучение для адаптации к Liujgoj, контролируемое дообучение и настройка для ASR; финальная настройка использовала LoRA. В репозитории указана архитектура Qwen2.5-Omni, а веса представлены в формате safetensors.

Модель предназначена для транскрибации кантонских диалогов, подготовки корпусов речи, лингвистических исследований и создания данных для обучения синтеза речи. В обучающем наборе было около 39,8 тыс. пар аудио и текста общей длительностью примерно 18–26 часов; использовались диалоги из кантонских фильмов. Автор отмечает, что дальнейшего улучшения требуют точность тонов, сегментация слов, пунктуация и распознавание длинных записей. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация кантонских диалогов в орфографии Liujgoj
  • создание латинизированных текстовых корпусов из кантонской речи
  • подготовка транскриптов кантонских фильмов
  • подготовка аудиоданных для обучения кантонского синтеза речи
  • анализ кантонского произношения и тонов

Ограничения

Обучение основано примерно на 18–26 часах аудио из кантонских фильмов, поэтому перенос на другие акустические условия и говорящих может быть ограничен. Автор указывает на необходимость улучшить точность тонов, сегментацию слов, пунктуацию и распознавание длинных записей.

Для каких профессий подходит3

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

Liujgoj-Cantonese-Qwen2.5-Omni-7B-ASR-V2

A Cantonese Automatic Speech Recognition model that directly transcribes spoken Cantonese into Liujgoj Cantonese Orthography (溜歌粵語羅馬字).


Overview

Liujgoj-Cantonese-Qwen2.5-Omni-7B-ASR-V2 is a specialized Automatic Speech Recognition (ASR) model built through a three-stage training pipeline:

Qwen2.5-Omni-7B
        │
        ▼
Liujgoj Cantonese CPT
        │
        ▼
Liujgoj Cantonese SFT
        │
        ▼
Liujgoj Cantonese ASR

Starting from Qwen2.5-Omni-7B, the model was first adapted to the Liujgoj Cantonese language space through Continued Pretraining (CPT), then further structured through Supervised Fine-Tuning (SFT), and finally fine-tuned for Automatic Speech Recognition.

The final model is designed to perform:

Spoken Cantonese Audio → Liujgoj Cantonese

Unlike conventional Cantonese ASR systems that typically transcribe speech into Chinese characters, this model directly generates Liujgoj Romanized Cantonese, including syllable structure, tone letters, word boundaries, and contextual linguistic information.


📊 Training Data

The ASR model was fine-tuned using paired Cantonese speech and Liujgoj Romanized Cantonese transcription data.

Number of Training Examples: 39,774 audio–text pairs

Total Audio Duration: Approximately 26 hours of audio

Audio Format: 16 kHz, mono WAV

Transcription System: Liujgoj Cantonese Orthography (溜歌粵語羅馬字)

Data Source: Cantonese movies

Each training example consists of:

Cantonese Audio ↓ Liujgoj Cantonese Transcription


Training Data Summary

Item Details Training examples 39,774 Total audio duration ~18 hours Audio sampling rate 16 kHz Audio channels Mono Audio format WAV Speech language Cantonese Transcription target Liujgoj Cantonese Data source Cantonese movies Training Configuration Parameter Value Base model Qwen2.5-Omni-7B-SFT-merged-full Fine-tuning method LoRA LoRA target all Learning rate 1.0e-4 LR scheduler cosine Warmup steps 100 Epochs 3.0 Per-device batch size 2 Gradient accumulation steps 8 Effective batch size 16 Cutoff length 2048 Precision bfloat16 Final train loss 0.385 Total training time ~10.5 hours Key Features 🎙️ Direct Cantonese Speech Recognition Transcribes spoken Cantonese audio directly into Liujgoj Cantonese.

Data Source:

Yvthyvq/ZoengjYvthgaaij-MouxZaakhdungj-Liujgoj

Multi-film Cantonese dialogue corpus (cleaned and transliterated into Liujgoj orthography)

訓練相關命令:

train_asr_final.py

merge_asr_lora.py

batch_asr_1000.py


Example

Model Output

text Waahsvt hair cingjciux ge Hongjheij cojninx, dungjtinj ge mouxhor yathbouh, bakjfungj yvq douj, munq deih bingjsongj. Hair Gongjnaamx kaauganr hoirbinj yatj tiux daaihlouh zijsoengh, yauq yatj deoi cingjbingj, saurzaaph doujcoengj, ngaat zvh catj gaaj cauxcej, hoeng zvh bakjfongj haangxganr. Cinxminh gor saamj gaai caux cej aax, muiq gaaij zauh wanr zoekh yatj go naamxzir, douj haih svjsangj daarbaanh.

Reference Cantonese Text text

話説喺清朝嘅康熙初年,冬天嘅某一日,北風如刀,滿地冰霜啊。

喺江南靠近海邊一條大路之上,有一隊清兵,手執刀槍,押住七架囚車,向住北方行緊。

前便嗰三架囚車啊,每架就韞住一個男子,都係書生打扮。 As the model is still under development, transcription errors may occur, particularly in difficult acoustic conditions, rare vocabulary, proper nouns, and long-form speech.

大規模測試結果見:predictions_1000.jsonl

只有 5 條出現漢字:

  • 第 310 行:丛
  • 第 391 行:古
  • 第 495 行:油
  • 第 697 行:天
  • 第 816 行:孙子孙

註:測試語料:CanCLID/zoengjyutgaai (https://huggingface.co/datasets/CanCLID/zoengjyutgaai)中 lukdinggei 嘅前一千條語音。


Quickstart

Installation

pip install torch transformers librosa accelerate soundfile

Load the Model

python import torch from transformers import AutoProcessor from transformers.models.qwen2_5_omni.modeling_qwen2_5_omni import Qwen2_5OmniForConditionalGeneration

model_id = "Yvthyvq/Liujgoj-Cantonese-Qwen2.5-Omni-7B-ASR-V2"

processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)

model = Qwen2_5OmniForConditionalGeneration.from_pretrained( model_id, torch_dtype=torch.bfloat16, device_map="auto", trust_remote_code=True, ) model.eval() Prepare Audio python import librosa

audio, sr = librosa.load("your_audio.wav", sr=16000) Run Inference python conversation = [ { "role": "user", "content": [ {"type": "audio", "audio": audio}, {"type": "text", "text": "聽呢段語音,用羅馬字寫出嚟。"}, ], } ]

text_prompt = processor.apply_chat_template( conversation, add_generation_prompt=True, tokenize=False )

inputs = processor( text=text_prompt, audio=[audio], sampling_rate=16000, return_tensors="pt", ) inputs = {k: v.to(model.device) for k, v in inputs.items() if isinstance(v, torch.Tensor)}

with torch.no_grad(): generated_ids = model.thinker.generate(**inputs, max_new_tokens=256)

input_len = inputs["input_ids"].shape[1] generated_tokens = generated_ids[0][input_len:] transcription = processor.decode(generated_tokens, skip_special_tokens=True)

print(transcription)


Intended Use

This model is intended for research and development involving:

Cantonese Automatic Speech Recognition

Romanized Cantonese transcription

Liujgoj Cantonese Orthography

Cantonese speech corpus construction

Cantonese phonological research

Cantonese language learning

Speech-to-text pipelines

Cantonese TTS data preparation


Current Status

This model represents an experimental stage of the Liujgoj Cantonese multimodal model family.

The training pipeline has demonstrated that Liujgoj Cantonese capabilities can be developed through:

Original Qwen Tokenizer ↓ Liujgoj CPT ↓ Liujgoj SFT ↓ Liujgoj ASR

without pre-registering Cantonese syllables as additional tokenizer tokens.

Future improvements may include:

Larger Cantonese speech datasets

More diverse speakers

Additional acoustic domains

Long-form Cantonese transcription

Improved tone accuracy

Improved word segmentation

Automatic punctuation

Comparison with Whisper-based Cantonese ASR

Comparison with SenseVoice-based Cantonese ASR

Further integration with Liujgoj Cantonese TTS systems


Related Models

Liujgoj-Cantonese-Qwen2.5-Omni-7B-CPT-V2

Liujgoj-Cantonese-Qwen2.5-Omni-7B-SFT-V2.2

Liujgoj-Cantonese-Qwen2.5-Omni-7B-ASR-V2

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5OmniForConditionalGeneration
Ревизия весов
44a62ad

0 моделей