/ Модель

Характеристики

Размер весов
7,6 ГБ
Архитектура
shrutam2 · MoE
Опубликована
23 фев 2026

Shrutam-2

Распознавание речиАудио → текст7 профессий

Shrutam-2 — многоязычная система BharatGenAI для распознавания речи и транскрибации на индийских языках.

431скачиваний за 30 дней27лайковвеса обновлены7 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки2

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • ARTPARK-IISc/Vaani-Benchmark-V1.0

    score · ниже — лучше

    Результат

    17,4

    Hindi_WER 17,4
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

  • Monsoon

    WER · ниже — лучше

    Результат

    18,65 %

    Open ASR

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Shrutam-2 — система распознавания речи от BharatGenAI для 12 основных языков Индии. Модель преобразует аудио в текст, используя речевой энкодер Conformer, проектор Mixture-of-Experts и декодер предобученной языковой модели. Проектор снижает частоту кадровых представлений и связывает их с пространством эмбеддингов декодера; восемь экспертов объединяются мягкой маршрутизацией SMEAR на уровне высказывания.

Модель предназначена для многоязычной транскрибации и позволяет управлять поведением распознавания с помощью текстовых подсказок. В README заявлена поддержка 12 языков, но в доступном фрагменте перечислены только хинди, маратхи и тамильский; метаданные карточки также содержат языковые теги для бенгали, урду, ассамского, гуджарати, каннада, малаялам, одиа, пенджаби и телугу. Репозиторий содержит веса в формате safetensors. В предоставленных материалах лицензия и размер модели не указаны.

Сценарии применения

  • транскрибация речи на языках Индии
  • распознавание хинди в аудиозаписях
  • распознавание многоязычных речевых записей
  • управляемая подсказками транскрибация аудио

Ограничения

В доступных материалах отсутствуют сведения о лицензии и размере модели. README описывает поддержку 12 языков, однако предоставленный фрагмент таблицы перечисляет лишь три; языковой охват в основном восстановлен по тегам метаданных.

Для каких профессий подходит7

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

Shrutam-2: LLM-Powered Multilingual Indic Speech Recognition

Shrutam-2 is a LLM based automatic speech recognition system for 12 major Indian languages. It bridges a Conformer speech encoder with a pretrained LLM decoder through a Mixture-of-Experts (MoE) projection layer, enabling high-quality, prompt-controllable transcription across diverse Indic languages.

Architecture Overview

Unlike conventional CTC/Attention ASR systems that map audio directly to text tokens, Shrutam-2 reframes speech recognition as a conditional language generation task. A speech encoder produces frame-level audio representations, which are then projected into the LLM's embedding space and fed to a frozen LLM decoder alongside a text prompt.

Languages Supported

#LanguageScriptISO 639-1
1HindiDevanagarihi
2MarathiDevanagarimr
3TamilTamilta
4TeluguTelugute
5MalayalamMalayalamml
6KannadaKannadakn
7OdiaOdiaor
8BengaliBengalibn
9UrduNastaliqur
10AssameseBengalias
11GujaratiGujaratigu
12PunjabiGurmukhipa

Usage

1. Create virtual env

conda create -n shrutam2 python=3.10.14
conda activate shrutam2

2. Install dependencies

pip install torch==2.3.0 torchvision==0.18.0 torchaudio==2.3.0 --index-url https://download.pytorch.org/whl/cu118
pip install -r requirements.txt

3. Run inference

from transformers import AutoModel, AutoTokenizer
import torch

REPO_ID = "bharatgenai/Shrutam-2"

model = AutoModel.from_pretrained(REPO_ID, trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained(REPO_ID)
model.to("cuda" if torch.cuda.is_available() else "cpu")
model.eval()

prompt = "Transcribe speech to Hindi text."

# Single file (non-16 kHz audio is resampled automatically)
print(model.transcribe("audio.wav", prompts=prompt, tokenizer=tokenizer))

# Batch inference — one prompt per file
wavs = ["clip_hi.wav", "clip_mr.wav", "clip_ta.wav"]
prompts = [
    "Transcribe speech to Hindi text.",
    "Transcribe speech to Marathi text.",
    "Transcribe speech to Tamil text.",
]
print(model.transcribe(wavs, prompts=prompts, batch_size=2, tokenizer=tokenizer))

License

This model is released under the BharatGen non-commercial license. Please refer to the LICENSE file for detailed terms and conditions.

Shrutam 2 is developed based on the research outlined in the paper-https://arxiv.org/abs/2601.19451

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
Shrutam2Model
Ревизия весов
34b9a04

0 моделей