/ Модель

Характеристики

Параметры
403 млн
Лицензия
CC BY 4.0
Архитектура
wav2vec2-bert · dense
Базовая модель
w2v-bert-2.0
Библиотека
transformers
Опубликована
4 ноя 2025

w2v-bert-2.0-shona-asr

Распознавание речиАудио → текст4 профессии

Дообученная версия Wav2Vec2-BERT 2.0 для распознавания и транскрибирования речи на шона.

135скачиваний за 30 дней3лайкавеса обновлены4 ноя 2025

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 Badr al-Absi для автоматического распознавания речи на шона. Это дообученная на 72 часах размеченной речи версия facebook/w2v-bert-2.0: архитектура Wav2Vec2-BERT с трансформерным энкодером, свёрточным извлечением признаков и CTC-выходом. В метаданных указано 402,7 млн параметров.

Модель принимает аудио и преобразует речь на шона в текст. Она предназначена для транскрибирования аудиозаписей, голосовых помощников и инструментов доступности; заявленная точность на данных из целевой области — WER ниже 23%. Лицензия — CC-BY-4.0.

Качество вне обучающей области может отличаться; карточка приводит оценку только для данных из целевой области. Модель рассчитана на шона, поэтому не следует считать её универсальным распознавателем речи.

Сценарии применения

  • транскрибирование аудиозаписей на шона
  • распознавание голосовых сообщений на шона
  • создание голосового помощника для носителей шона
  • субтитры и текстовые расшифровки аудио на шона
  • инструменты доступности для шонаговорящих пользователей

Ограничения

Заявленная оценка WER ниже 23% относится к данным из целевой области; качество на других типах речи и аудио может быть ниже. Модель предназначена для распознавания шона и не заявлена как многоязычная.

Для каких профессий подходит4

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

Model Description 🫐

This model is a fine-tuned version of Wav2Vec2-BERT 2.0 for Shona automatic speech recognition (ASR). It was trained on 72 hours of transcribed Shona speech. The ASR model is robust and the in-domain WER is below 23%.

  • Developed by: Badr al-Absi
  • Model type: Speech Recognition (ASR)
  • Language: Shona (sn)
  • License: CC-BY-4.0
  • Finetuned from: facebook/w2v-bert-2.0

Direct Use

The model can be used directly for automatic speech recognition of a Shona audio:

from transformers import Wav2Vec2BertProcessor, Wav2Vec2BertForCTC
import torch
import torchaudio

# load model and processor
processor = Wav2Vec2BertProcessor.from_pretrained("badrex/w2v-bert-2.0-shona-asr")
model = Wav2Vec2BertForCTC.from_pretrained("badrex/w2v-bert-2.0-shona-asr")

# load audio
audio_input, sample_rate = torchaudio.load("path/to/audio.wav")

# preprocess
inputs = processor(audio_input.squeeze(), sampling_rate=sample_rate, return_tensors="pt")

# inference
with torch.no_grad():
    logits = model(**inputs).logits

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

Downstream Use

This model can be used as a foundation for:

  • building voice assistants for Shona speakers
  • transcription services for Shona content
  • accessibility tools for Shona-speaking communities
  • research in low-resource speech recognition

Model Architecture

  • Base model: Wav2Vec2-BERT 2.0
  • Architecture: transformer-based with convolutional feature extractor
  • Parameters: ~600M (inherited from base model)
  • Objective: connectionist temporal classification (CTC)

Funding

The development of this model was supported by CLEAR Global and Gates Foundation.

Citation

@misc{w2v_bert_shona_asr,
  author = {Badr M. Abdullah},
  title = {Adapting Wav2Vec2-BERT 2.0 for Shona ASR},
  year = {2025},
  publisher = {Hugging Face},
  url = {https://huggingface.co/badrex/w2v-bert-2.0-shona-asr}
}

Model Card Contact

For questions or issues, please contact via the Hugging Face model repository in the community discussion section.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2BertForCTC
Ревизия весов
a159a09

0 моделей