/ Модель

Характеристики

Параметры
1,3 млрд
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-xls-r-1b
Опубликована
14 июн 2026

xlsr-1b-mizonal3-E5-lus-v2026.06

Распознавание речиАудио → текст5 профессий

Дообученная wav2vec 2.0 модель распознаёт разговорную речь на языке Lus и преобразует аудио в текст.

8скачиваний за 30 дней0лайковвеса обновлены19 июл 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

Модель xlsr-1b-mizonal3-E5-lus-v2026.06 разработана Andrew Bawitlung и дообучена на базе facebook/wav2vec2-xls-r-1b для автоматического распознавания речи на языке Lus. Она использует архитектуру Wav2Vec2ForCTC и содержит 1,3 млрд параметров; при обучении применялась комбинация аугментаций: добавление фонового шума, изменение скорости речи и SpecAugment.

Модель предназначена для преобразования аудиозаписей речи в текст. В README приведены результаты на оценочной выборке: WER 26,3669, CER 5,7509 и real-time factor 0,0038. Модель опубликована под лицензией Apache-2.0. В README указано, что подробности эксперимента и публикации находятся на рецензировании.

Сценарии применения

  • транскрибация разговоров на языке Lus
  • распознавание речи в аудиозаписях на языке Lus
  • создание текстовых расшифровок для корпуса MiZonal
  • оценка качества систем распознавания речи на языке Lus

Ограничения

На оценочной выборке WER составляет 26,3669, поэтому в расшифровках возможны ошибки. Подробности эксперимента и публикации указаны как находящиеся на рецензировании.

Для каких профессий подходит5

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

Mizo Automatic Speech Recognition (ASR) Models v3.0

Disclaimer / Notice: Details for these are in Peer Review and publications of the paper will be made available soon for more details.

xlsr-1b-mizonal3-E5-lus-v2026.06

This model is a fine-tuned version of facebook/wav2vec2-xls-r-1b on the MiZonal v3.0 dataset. Note: ~1 hour of conversational speech was added to this dataset version.

It achieves the following results on the evaluation set:

  • Wer: 26.3669
  • Cer: 5.7509
  • Real Time Factor: 0.0038

Quick Inference

import torch
import librosa
from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC

device = "cuda" if torch.cuda.is_available() else "cpu"

processor = Wav2Vec2Processor.from_pretrained("andrewbawitlung/xlsr-1b-mizonal3-E5-lus-v2026.06")
model = Wav2Vec2ForCTC.from_pretrained("andrewbawitlung/xlsr-1b-mizonal3-E5-lus-v2026.06").to(device)

audio, sr = librosa.load("your_audio.wav", sr=16000)
input_values = processor(audio, sampling_rate=16000, return_tensors="pt").input_values.to(device)

with torch.no_grad():
    logits = model(input_values).logits

predicted_ids = torch.argmax(logits, dim=-1)
transcription = processor.batch_decode(predicted_ids)[0]
print(transcription)

Model description

Experiment Configurations

This repository is part of a series of experiments. The different configurations are:

  • E1 (Baseline): Standard training configuration.
  • E2 (Noise): Training with background noise augmentation.
  • E3 (Speed): Training with speed perturbation augmentation.
  • E4 (SpecAug): Training with SpecAugment (time and frequency masking).
  • E5 (Combined): Training with a combination of all augmentations.

All Models in this Family

ExperimentHugging Face Repository
E1 (Baseline)andrewbawitlung/xlsr-1b-mizonal3-E1-lus-v2026.06
E2 (Noise)andrewbawitlung/xlsr-1b-mizonal3-E2-lus-v2026.06
E3 (Speed)andrewbawitlung/xlsr-1b-mizonal3-E3-lus-v2026.06
E4 (SpecAug)andrewbawitlung/xlsr-1b-mizonal3-E4-lus-v2026.06
E5 (Combined)andrewbawitlung/xlsr-1b-mizonal3-E5-lus-v2026.06

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0003
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • optimizer: OptimizerNames.ADAMW_TORCH_FUSED
  • lr_scheduler_type: SchedulerType.LINEAR
  • num_epochs: 8

Training results

stepepochtrain_losseval_losseval_wereval_cerlearning_rategrad_norm
2500.231.11800.479151.5012.841.49e-041.25
5000.460.84140.385642.3510.662.99e-041.06
7500.680.67140.324838.099.102.91e-04
10000.910.59100.262131.197.282.82e-041.04
12501.140.51680.240328.856.562.73e-040.89
15001.370.47910.224227.386.172.64e-040.70
17501.590.46790.207225.125.492.55e-040.68
20001.820.48170.228028.106.032.46e-040.75
22502.051.01890.985884.8935.612.37e-043.39
25002.281.44241.215487.5941.692.28e-042.31
27502.501.20470.938767.6823.832.19e-041.51
30002.731.00500.715542.3011.262.10e-041.51
32502.960.82640.567733.687.932.00e-041.44
35003.190.78190.493131.726.991.91e-041.90
37503.420.74190.456031.376.941.82e-042.07
40003.640.73660.449430.986.791.73e-041.51
42503.870.72310.453430.606.741.64e-041.21
45004.100.77730.459133.367.531.55e-040.42
47504.330.78460.470835.427.631.46e-040.00
50004.550.77070.470835.407.631.37e-040.00
52504.780.77700.470835.407.631.28e-040.00
55005.010.77480.470835.407.631.19e-040.00
57505.240.76710.470835.407.631.10e-040.00
60005.460.77160.470835.407.631.01e-040.00
62505.690.76780.470835.407.639.18e-050.00
65005.920.77380.470835.407.638.27e-050.00
67506.150.77740.470835.407.637.37e-050.00
70006.380.76250.470835.407.636.46e-050.00
72506.600.76100.470835.407.635.56e-050.00
75006.830.75900.470835.407.634.65e-050.00
77507.060.77250.470835.407.633.75e-050.00
80007.290.75720.470835.407.632.84e-050.00
82507.510.77190.470835.407.631.94e-050.00
85007.740.77340.470835.407.631.03e-050.00
87507.970.76510.470835.407.631.27e-060.00

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
6023dac

0 моделей