/ Модель

Характеристики

Параметры
403 млн
Лицензия
CC BY-NC 4.0
Архитектура
wav2vec2 · dense
Базовая модель
mms-300m
Библиотека
transformers
Опубликована
15 июн 2026

Ethio-ASR-mms-300m-uf

Распознавание речиАудио → текст

Дообученная на эфиопских языках модель Wav2Vec2 для преобразования речи в текст.

14скачиваний за 30 дней0лайковвеса обновлены15 июн 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

Ethio-ASR-mms-300m-uf — модель автоматического распознавания речи, созданная в рамках независимого воспроизведения исследования Ethio-ASR в Университете Флориды. Она дообучена на базе facebook/mms-300m на эфиопской подвыборке WAXAL для распознавания амхарского, тигринья, оромо, сидаама и волайта. Модель построена на архитектуре Wav2Vec2 с CTC-декодированием и содержит 403,1 млн параметров.

Модель принимает аудио и выдаёт текстовую транскрипцию. На тестовой части WAXAL с 18 810 высказываниями авторы сообщают макро-WER на 1,06 процентного пункта ниже опубликованного в статье чекпойнта. После обработки слияния омографов письма геэз и удаления пунктуации WER составляет 30,85% для амхарского, 26,64% для оромо и 31,08% для сидаама; без этой обработки макро-WER равен 37,55%. Эти результаты относятся к указанному тестовому набору и процедуре оценки. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Сценарии применения

  • транскрибация речи на амхарском языке
  • распознавание устной речи на тигринья
  • транскрибация записей на оромо
  • распознавание речи на сидаама
  • транскрибация волайтта на данных, близких к WAXAL

Ограничения

На тестовой выборке WAXAL макро-WER составляет 37,55% без постобработки; показатели зависят от языка и улучшаются при слиянии омографов письма геэз и удалении пунктуации. Лицензия CC BY-NC 4.0 не допускает коммерческого использования.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Ethio-ASR-mms-300m-uf

Reproduction of MMS-300M fine-tune. Beats the paper-published checkpoint by 1.06% macro WER on the WAXAL test split.

This model is part of an independent reproduction of Ethio-ASR (Abdullah et al., 2026) carried out at the University of Florida on the HiPerGator HPC cluster (NVIDIA B200 GPUs). It is fine-tuned from facebook/mms-300m on the WAXAL Ethiopian subset covering Amharic, Tigrinya, Oromo, Sidaama and Wolaytta.

Performance

Word Error Rate on the WAXAL test split (18 810 utterances), with paper-faithful post-processing (Ge'ez homophone collapse + punctuation removal):

LanguageWER (%)
Amharic30.85
Oromo26.64
Sidaama31.08
Tigrinya42.74
Wolaytta38.21
Macro avg33.90

Without post-processing the macro WER is 37.55% (raw model output).

Usage

from transformers import AutoProcessor, AutoModelForCTC
import torch, librosa

REPO = "boazsew/Ethio-ASR-mms-300m-uf"
processor = AutoProcessor.from_pretrained(REPO)
model = AutoModelForCTC.from_pretrained(REPO, torch_dtype=torch.bfloat16).to("cuda").eval()

# Load any 16 kHz audio
audio, sr = librosa.load("your_audio.wav", sr=16000, mono=True)
inputs = processor(audio, sampling_rate=16000, return_tensors="pt")
key = "input_features" if "input_features" in inputs else "input_values"
in_kwargs = {key: inputs[key].to("cuda", dtype=torch.bfloat16)}
if "attention_mask" in inputs:
    in_kwargs["attention_mask"] = inputs["attention_mask"].to("cuda")

with torch.no_grad():
    logits = model(**in_kwargs).logits
pred_ids = logits.argmax(dim=-1)
text = processor.batch_decode(pred_ids)[0]
print(text)  # starts with [AMH]/[TIR]/[ORM]/[WAL]/[SID] language tag

Training details

  • Encoder: facebook/mms-300m (300M parameters)
  • Dataset: badrex/waxalNLP-ethiopic-final (~1106 h, 5 Ethiopian languages)
  • Max steps: 36 800 (≈7 epochs, effective batch size 32)
  • Hardware: 1 × NVIDIA B200
  • Optimizer: AdamW, linear warmup over 10 % of steps, mixed-precision bf16 (except AfriHuBERT which used fp32)
  • CTC objective with prepended [LANG] token (joint LID + ASR)

Citation

If you use this model please cite both the original paper and the reproduction:

@article{abdullah2026ethioasr,
  title={Ethio-ASR: Joint Multilingual Speech Recognition and Language
          Identification for Ethiopian Languages},
  author={Abdullah, Badr M. and others},
  journal={arXiv preprint arXiv:2603.23654},
  year={2026}
}

Full reproduction code, configs and evaluation utilities are at https://github.com/boaztulu/Ethio-ASR under reproduction_uf/.

License

CC-BY-NC-4.0 — inherits from the upstream facebook/mms-300m license.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
7aa49cf

0 моделей