/ Модель

Характеристики

Параметры
413 млн
Архитектура
wav2vec2 · dense
Библиотека
transformers
Опубликована
10 мар 2026

omniASR-CTC-300M-v2

Распознавание речиАудио → текст8 профессий

Преобразованная версия многоязычной модели Wav2Vec2 CTC для автоматической расшифровки речи из аудио.

871скачиваний за 30 дней3лайкавеса 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

Это преобразованная в формат Hugging Face версия модели omniASR-CTC-300M-v2 на архитектуре Wav2Vec2, созданная из чекпойнта OmniLingual fairseq2. Модель предназначена для автоматического распознавания речи: она принимает аудио и выдаёт CTC-логиты по словарю SentencePiece, которые используются для получения текстовой расшифровки. В конфигурации указаны 24 слоя энкодера и размер скрытого представления 1024; в репозитории заявлено 413,2 млн параметров.

Модель поддерживает распознавание речи на нескольких языках. Автор сообщает о совпадении выходов с исходным чекпойнтом fairseq2 на проверенном аудиофрагменте с точностью до atol=1e-4. Это конверсия чекпойнта, а не отдельное дообучение; файлы весов опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

Сценарии применения

  • Расшифровка записей речи в текст
  • Преобразование аудиофайлов в текстовые транскрипты
  • Многоязычное распознавание речи в аудиоархивах

Ограничения

В предоставленных данных не перечислены поддерживаемые языки и лицензия. В README подтверждена численная близость к исходному чекпойнту только на одном проверенном аудиофрагменте.

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-300M-v2

Wav2Vec2 CTC ASR model (v2) converted from the OmniLingual fairseq2 checkpoint omniASR_CTC_300M_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 layers24
Hidden size1024
Attention heads16
FFN intermediate4096
Vocabulary size10288
Source frameworkfairseq2
Source cardomniASR_CTC_300M_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-300M-v2")
model     = Wav2Vec2ForCTC.from_pretrained("aadel4/omniASR-CTC-300M-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
f2b3c39

0 моделей