/ Модель

Характеристики

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

omniASR-W2V-300M

ЭмбеддингиТекст → embedding3 профессии

Преобразованный энкодер Wav2Vec2 без CTC-головы для извлечения признаков речи и дообучения под речевые задачи.

192скачиваний за 30 дней1лайквеса 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 «Эмбеддинги» — 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-W2V-300M — преобразованная в формат Hugging Face базовая самоконтролируемая аудиоэнкодерная модель Wav2Vec2, созданная автором репозитория на основе контрольной точки OmniLingual fairseq2 omniASR_W2V_300M. Модель содержит около 402,7 млн параметров; в README указаны 24 слоя энкодера и размер скрытого состояния 1024. Это энкодер без CTC-головы, предназначенный для извлечения признаков речи, анализа представлений и дообучения для последующих речевых задач.

Модель принимает аудио и возвращает последовательности векторных представлений. Автор сообщает, что численные выходы преобразованной версии совпали с исходной контрольной точкой на проверочном аудиофрагменте с точностью atol=1e-4. Карточка не указывает языковой охват, контекст или лицензию; поэтому область применения и условия использования следует сверить с исходной моделью OmniLingual перед внедрением.

Сценарии применения

  • извлечение векторных представлений из аудиозаписей
  • подготовка речевых признаков для downstream-моделей
  • анализ и исследование представлений речи
  • дообучение энкодера для задач распознавания речи

Ограничения

В репозитории отсутствует CTC-голова, поэтому модель сама по себе не декодирует распознанную речь. Языковой охват и лицензия в доступных сведениях не указаны; для применения следует проверить условия исходной контрольной точки.

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

omniASR-W2V-300M

Wav2Vec2 SSL encoder (300M) converted from the OmniLingual fairseq2 checkpoint omniASR_W2V_300M.

This is the pre-trained encoder backbone without a CTC head, suitable for feature extraction, probing, and fine-tuning on downstream speech tasks.

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 classWav2Vec2Model
Encoder layers24
Hidden size1024
Attention heads16
FFN intermediate4096
Source frameworkfairseq2
Source cardomniASR_W2V_300M
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.

Embedding statistics on the held-out audio clip: embedding shape (1, 175, 1024), max_abs_diff=0.00e+00, mean_diff=0.00e+00, std_diff=0.00e+00

Usage

from transformers import Wav2Vec2Model, Wav2Vec2FeatureExtractor
import torch, torchaudio

extractor = Wav2Vec2FeatureExtractor.from_pretrained("aadel4/omniASR-W2V-300M")
model     = Wav2Vec2Model.from_pretrained("aadel4/omniASR-W2V-300M")
model.eval()

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

inputs = extractor(
    waveform.squeeze().numpy(), sampling_rate=16_000,
    return_tensors="pt", padding=True
)
with torch.no_grad():
    embeddings = model(**inputs).last_hidden_state  # (1, T, 1024)

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2Model
Ревизия весов
5dabd8d

0 моделей