/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
wav2vec2-base-960h
Опубликована
16 мая 2026

wav2vec2-base-960h-dhivehi

Распознавание речиАудио → текст3 профессии

Дообученная wav2vec 2.0 модель для транскрибирования речи на дивехи письмом тхаана.

113скачиваний за 30 дней0лайковвеса обновлены16 мая 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

Модель alakxender/wav2vec2-base-960h-dhivehi — система автоматического распознавания речи на дивехи, разработанная как дообучение facebook/wav2vec2-base-960h. Она использует архитектуру wav2vec 2.0 и CTC-декодирование; языковая голова переинициализирована под символьный словарь из 52 токенов для письма тхаана. Базовая модель содержит 95 млн параметров. Модель принимает монофоническое аудио с частотой 16 кГц; обучение включало записи длительностью от 1 до 30 секунд и сочетало синтетическую и записанную речь.

Модель предназначена для транскрибирования речи на дивехи, а также для исследований и экспериментов с распознаванием этого языка. На тестовой выборке из 26 875 высказываний указаны WER 19,96% и CER 3,62%; использовалось жадное CTC-декодирование без языковой модели. Лицензия — Apache-2.0.

Качество заметно снижается на аудио вне обучающего распределения: в README для таких данных приводится WER около 65%. Из-за преобладания синтетической речи модель может хуже распознавать новых дикторов и незнакомые условия записи. Для универсальной производственной транскрибации авторы рекомендуют дообучение на целевом домене.

Сценарии применения

  • транскрибирование речи на дивехи
  • распознавание дивехи в аудиозаписях с частотой 16 кГц
  • подготовка черновых расшифровок речи на дивехи
  • эксперименты с CTC-распознаванием речи на дивехи

Ограничения

На аудио вне обучающего распределения качество существенно ниже: в README приводится WER около 65%. Преобладание синтетической речи в обучении ограничивает перенос на новых дикторов и условия записи; для производственного использования может потребоваться дообучение на целевых данных.

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

wav2vec2-base-960h Dhivehi

Dhivehi (Thaana script) automatic speech recognition model, fine-tuned from facebook/wav2vec2-base-960h using CTC.

Test-set results

Held-out test split (26,875 utterances, never seen during training):

SubsetnWERCER
Overall26,87519.96 %3.62 %
Synthetic (TTS-generated)24,39416.73 %2.36 %
Studio voice — male35116.04 %2.46 %
Unknown dataset2,13064.71 %24.80 %

Greedy CTC decoding, no language model.

Usage

import librosa
import torch
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

REPO = "alakxender/wav2vec2-base-960h-dhivehi"
processor = Wav2Vec2Processor.from_pretrained(REPO)
model = Wav2Vec2ForCTC.from_pretrained(REPO).eval()

audio, _ = librosa.load("sample.wav", sr=16000, mono=True)
inputs = processor.feature_extractor(audio, sampling_rate=16000, return_tensors="pt")
with torch.no_grad():
    logits = model(inputs.input_values).logits
pred_ids = logits.argmax(dim=-1)
print(processor.batch_decode(pred_ids)[0])

Training

  • Base model: facebook/wav2vec2-base-960h (95 M params)
  • CTC head: re-initialised for a 52-token Dhivehi character vocabulary built from training transcripts (Thaana block U+0780–U+07BF + word delimiter + [UNK], [PAD])
  • Audio: 16 kHz mono, clips 1–30 s
  • Training data: ~484 K utterances combining synthetic and recorded sources, 90/5/5 train/val/test split, deduped by transcript
  • Epochs: 10 (full run)
  • Effective batch: 32 (per-device 8 × gradient accumulation 4)
  • Optimiser: AdamW, peak LR 3e-4, linear schedule, 10 % warmup, bf16
  • Feature encoder: frozen (standard for wav2vec2 fine-tuning)

Limitations

  • WER on out-of-distribution audio is significantly higher (~65 %); the model has not seen enough variety of acoustic conditions to generalise beyond its training distribution.
  • Synthetic-heavy training distribution means the model leans toward TTS-like acoustics. Expect higher WER on novel speakers and recording conditions.
  • No external language model; output is character-level greedy CTC. Rescoring with a Dhivehi KenLM should give several absolute % WER improvement.

Intended use

Research and experimentation on Dhivehi ASR. Not a production-ready model for general-purpose transcription without further fine-tuning on the target domain.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
cd079a2

0 моделей