/ Модель

Характеристики

Параметры
1,3 млрд
Архитектура
wav2vec2 · dense
Библиотека
transformers
Опубликована
10 мар 2026

omniASR-CTC-1B-v2

Распознавание речиАудио → текст8 профессий

Конвертированная модель Wav2Vec2 на 1,3 млрд параметров для многоязычного распознавания речи и транскрипции аудио в текст.

1 704скачиваний за 30 дней4лайкавеса обновлены12 мар 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

omniASR-CTC-1B-v2 — конвертированная в формат Hugging Face модель распознавания речи на архитектуре Wav2Vec2, созданная автором репозитория на основе контрольной точки OmniLingual fairseq2 omniASR_CTC_1B_v2. Модель содержит 1,3 млрд параметров, использует 48 слоёв энкодера и скрытый размер 1280; она выдаёт CTC-логиты по словарю SentencePiece. Численное соответствие исходной контрольной точке проверено на аудиопримере.

Модель предназначена для автоматической транскрипции речи на нескольких языках. Её можно применять для преобразования аудиозаписей в текст и для многоязычного распознавания речи. Карточка не приводит список поддерживаемых языков. Репозиторий содержит веса safetensors для Transformers; сведения о лицензии в доступных данных отсутствуют.

Сценарии применения

  • транскрипция аудиозаписей речи
  • многоязычное распознавание речи
  • преобразование устной речи в текст

Ограничения

Карточка не перечисляет поддерживаемые языки и не сообщает о качестве на разных языках или в разных акустических условиях. Сведения о лицензии не приведены.

Для каких профессий подходит8

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

omniASR-CTC-1B-v2

Wav2Vec2 CTC ASR model (v2) converted from the OmniLingual fairseq2 checkpoint omniASR_CTC_1B_v2.

This model outputs CTC logits over a SentencePiece vocabulary and can transcribe speech in multiple languages.

Code Base

The code base for the conversion can be found here. I was only able to convert the 300M and 1B models due to GPU limitations. Contributions are welcome.

Model details

PropertyValue
HF classWav2Vec2ForCTC
Encoder layers48
Hidden size1280
Attention heads16
FFN intermediate5120
Vocabulary size10288
Source frameworkfairseq2
Source cardomniASR_CTC_1B_v2
Parity verification✅ Verified

Numerical parity against the original fairseq2 checkpoint has been confirmed: outputs match to within atol=1e-4 on a held-out audio sample.

Sample transcriptions on the held-out audio clip:

ModelTranscript
fairseq2 (source)concord returned to its place amidst the tents
HuggingFace (this repo)concord returned to its place amidst the tents

Usage

from transformers import Wav2Vec2ForCTC, AutoProcessor
import torch, torchaudio

processor = AutoProcessor.from_pretrained("aadel4/omniASR-CTC-1B-v2")
model     = Wav2Vec2ForCTC.from_pretrained("aadel4/omniASR-CTC-1B-v2")
model.eval()

waveform, sr = torchaudio.load("audio.wav")
if sr != 16_000:
    waveform = torchaudio.functional.resample(waveform, sr, 16_000)

inputs = processor(
    waveform.squeeze().numpy(), sampling_rate=16_000, return_tensors="pt"
)
with torch.no_grad():
    logits = model(**inputs).logits          # (1, T, vocab)

pred_ids   = torch.argmax(logits, dim=-1)
transcript = processor.decode(pred_ids[0])
print(transcript)

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
966cb4b

0 моделей