/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-xls-r-300m
Опубликована
14 июн 2026

xlsr-300m-mizonal3-E1-lus-v2026.06

Распознавание речиАудио → текст

Дообученная wav2vec 2.0 модель для быстрого распознавания разговорной речи на языке lus.

15скачиваний 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

xlsr-300m-mizonal3-E1-lus-v2026.06 — модель распознавания речи, разработанная Andrew Bawitlung и дообученная на базе facebook/wav2vec2-xls-r-300m на наборе MiZonal v3.0. Она предназначена для преобразования разговорной речи на языке lus в текст. В версии набора данных добавлен примерно один час разговорной речи; модель относится к базовому эксперименту E1 без описанных в карточке дополнительных аугментаций. Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров; веса представлены в формате safetensors. На оценочной выборке указаны WER 19,10 и CER 3,75, а фактор реального времени — 0,0024.

Модель подходит для транскрибирования разговорной речи на lus и сценариев, где важна быстрая автоматическая расшифровка. Результаты оценки относятся к указанному набору данных и могут не переноситься на другие речевые условия. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибирование разговорной речи на lus
  • создание текстовых расшифровок аудиозаписей на lus
  • автоматическое распознавание речи в разговорных аудиоматериалах

Ограничения

Показатели WER и CER измерены на оценочной выборке MiZonal v3.0 и не гарантируют такого же качества на других данных или в иных акустических условиях. Исследовательская серия описана как экспериментальная; сведения о внешней проверке качества пока не представлены.

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-300m-mizonal3-E1-lus-v2026.06

This model is a fine-tuned version of facebook/wav2vec2-xls-r-300m 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: 19.1028
  • Cer: 3.7453
  • Real Time Factor: 0.0024

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-300m-mizonal3-E1-lus-v2026.06")
model = Wav2Vec2ForCTC.from_pretrained("andrewbawitlung/xlsr-300m-mizonal3-E1-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-300m-mizonal3-E1-lus-v2026.06
E2 (Noise)andrewbawitlung/xlsr-300m-mizonal3-E2-lus-v2026.06
E3 (Speed)andrewbawitlung/xlsr-300m-mizonal3-E3-lus-v2026.06
E4 (SpecAug)andrewbawitlung/xlsr-300m-mizonal3-E4-lus-v2026.06
E5 (Combined)andrewbawitlung/xlsr-300m-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
2500.9110.34152.021699.9467.131.49e-042.11
5001.822.06850.408143.5910.732.99e-043.12
7502.731.31360.263832.217.242.56e-042.03
10003.640.94280.207925.075.362.12e-041.83
12504.550.64370.191122.764.681.68e-041.46
15005.460.47840.178020.674.261.24e-041.04
17506.360.43160.162819.783.937.96e-051.37
20007.270.32000.159718.163.673.55e-051.32
22008.000.32710.156717.673.571.76e-070.92

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
f98abb3

0 моделей