/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
29 июл 2025

OLMoASR

Распознавание речиАудио, текст → текст

OLMoASR — серия моделей Ai2 для устойчивого распознавания английской речи и преобразования аудио в текст.

3скачиваний за 30 дней79лайковвеса обновлены20 мар 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

OLMoASR — серия англоязычных моделей автоматического распознавания речи, разработанная Ai2 и описанная Huong Ngo и соавторами. Модели предназначены для преобразования аудио в текст, включая распознавание речи в сценариях, требующих устойчивости к разнообразным аудиоданным и работы без специализированной настройки на конкретный набор данных.

Архитектура — Transformer encoder-decoder с аудиоэнкодером и языковым декодером. В серии пять размеров; в карточке приведены размеры tiny (39 млн параметров), base (74 млн) и small (244 млн). Обучение проводилось на 440 тысячах часов слабонаблюдаемых пар аудио и текста, собранных из открытого интернета. Доступны веса в формате Safetensors. Модель рассчитана на английский язык; лицензия — Apache-2.0.

Сценарии применения

  • транскрибирование англоязычных аудиозаписей
  • распознавание речи в аудио из открытого интернета
  • создание текстовых расшифровок для последующего поиска
  • нулевой запуск распознавания без адаптации к целевому набору данных

Ограничения

Модели обучены только на английских данных и предназначены для распознавания английской речи. Указаны пять размеров, но карточка перечисляет параметры только для tiny, base и small.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

OLMoASR

OLMoASR is a series of English automatic speech recognition (ASR) models proposed in the OLMoASR: Open Models and Data for Training Robust Speech Recognition Models paper by Huong Ngo et al. from Ai2. Trained on 440K hours of weakly-supervised audio-text pairs collected from the public internet, OLMoASR demonstrates strong robustness and zero-shot capabilities. Visit the OLMoASR repository for access to data processing, training and evaluation code.

Model Details

OLMoASR uses a Transformer-based encoder-decoder architecture and is an audio language model (LM), where there is an audio encoder and language decoder. OLMoASR has 5 different model sizes and all checkpoints are trained with English-only data. Below is a table enumerating the different model sizes and associated parameter count.

SizeParameters
tiny39 M
base74 M
small244 M
medium769 M
large1.5 B
large-v21.5 B

Training Data

OLMoASR is trained on 440K hours of weakly-supervised data subsampled from OLMoASR-Mix, a filtered version of OLMoASR-Pool. OLMoASR-Mix is a collection 1M hours of audio-text pairs, curated from the 3M hours of OLMoASR-Pool.

Usage

To perform transcription, you can run

import olmoasr

model = olmoasr.load_model("medium", inference=True)
result = model.transcribe("audio.mp3")
print(result)

Evaluation

To perform evaluation, you can visit the OLMoASR repository for more details.

License

This model is licensed under Apache 2.0. It is intended for research and educational use in accordance with Ai2's Responsible Use Guidelines.

BibTeX entry and citation info

@misc{ngo2025olmoasropenmodelsdata,
      title={OLMoASR: Open Models and Data for Training Robust Speech Recognition Models}, 
      author={Huong Ngo and Matt Deitke and Martijn Bartelds and Sarah Pratt and Josh Gardner and Matt Jordan and Ludwig Schmidt},
      year={2025},
      eprint={2508.20869},
      archivePrefix={arXiv},
      primaryClass={cs.SD},
      url={https://arxiv.org/abs/2508.20869}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
6841d49

0 моделей