Характеристики

Параметры: 403 млн
Лицензия: Apache 2.0
Архитектура: wav2vec2 · dense
Базовая модель: wav2vec2-large-xlsr-53
Библиотека: transformers
Опубликована: 3 июл 2026

Ссылки

length-only-20260703-171218-asr-cherokee-extra-data

Распознавание речиАудио → текст

Дообученная wav2vec 2.0 XLSR-53 модель для преобразования аудио в текст, предположительно ориентированная на распознавание речи на чероки.

5скачиваний за 30 дней0лайковвеса обновлены3 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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 charliemcvicker/length-only-20260703-171218-asr-cherokee-extra-data — дообученная для автоматического распознавания речи версия wav2vec 2.0 XLSR-53 от Facebook. Она принимает аудио и выдаёт распознанный текст; архитектура использует Wav2Vec2ForCTC и содержит 402,7 млн параметров. Название репозитория указывает на обучение для чероки с дополнительными данными, однако README не подтверждает язык или состав данных.

Модель предназначена для преобразования речи в текст. В README приведены результаты оценки: WER 0,3096 и CER 0,0400; датасет, условия оценки и практические ограничения не описаны. Распространяется в формате Safetensors по лицензии Apache-2.0.

Сценарии применения

транскрибирование речи на чероки
распознавание аудиозаписей для получения текста
оценка ошибок распознавания речи по WER и CER

Ограничения

README не раскрывает обучающий датасет и условия оценки; приведённые WER и CER сами по себе не позволяют судить о качестве на других данных. Поддержка чероки предполагается по названию репозитория, но прямо в карточке не подтверждена.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

length-only-20260703-171218-asr-cherokee-extra-data

This model is a fine-tuned version of facebook/wav2vec2-large-xlsr-53 on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.3516
Wer: 0.3096
Cer: 0.0400

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 0.0003
train_batch_size: 8
eval_batch_size: 8
seed: 42
gradient_accumulation_steps: 2
total_train_batch_size: 16
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.1
num_epochs: 50
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Wer	Cer
11.7451	0.4264	100	4.7709	1.0	1.0
3.6416	0.8529	200	2.8965	1.0	1.0
2.8757	1.2793	300	2.7569	1.0	1.0
2.6817	1.7058	400	2.1757	1.0	1.0
1.9156	2.1322	500	1.0029	1.0	0.4085
1.181	2.5586	600	0.6203	1.0	0.2777
0.9583	2.9851	700	0.5078	1.0	0.2729
0.785	3.4115	800	0.5003	0.9425	0.1980
0.7429	3.8380	900	0.4178	0.7041	0.1052
0.6464	4.2644	1000	0.2963	0.4726	0.0624
0.6152	4.6908	1100	0.3092	0.4712	0.0656
0.6081	5.1173	1200	0.2745	0.4315	0.0608
0.5613	5.5437	1300	0.2931	0.5014	0.0689
0.5656	5.9701	1400	0.3452	0.6356	0.0834
0.4964	6.3966	1500	0.3008	0.4425	0.0655
0.5075	6.8230	1600	0.3011	0.4877	0.0686
0.4782	7.2495	1700	0.2713	0.4	0.0555
0.4591	7.6759	1800	0.2606	0.3890	0.0562
0.4479	8.1023	1900	0.2427	0.4027	0.0550
0.4438	8.5288	2000	0.2479	0.3863	0.0535
0.4404	8.9552	2100	0.2634	0.4534	0.0569
0.3976	9.3817	2200	0.2870	0.4658	0.0589
0.3942	9.8081	2300	0.2575	0.4	0.0567
0.4221	10.2345	2400	0.2525	0.3904	0.0555
0.3945	10.6610	2500	0.2425	0.3781	0.0521
0.36	11.0874	2600	0.2287	0.3589	0.0499
0.3709	11.5139	2700	0.2153	0.3644	0.0505
0.3656	11.9403	2800	0.2416	0.4055	0.0533
0.3255	12.3667	2900	0.2651	0.4315	0.0599
0.3447	12.7932	3000	0.2323	0.4	0.0540
0.3484	13.2196	3100	0.2641	0.3849	0.0523
0.312	13.6461	3200	0.2904	0.4288	0.0553
0.3095	14.0725	3300	0.2220	0.3534	0.0474
0.3064	14.4989	3400	0.2302	0.3603	0.0489
0.3015	14.9254	3500	0.2371	0.3699	0.0494
0.2856	15.3518	3600	0.2219	0.3479	0.0471
0.27	15.7783	3700	0.2306	0.3753	0.0504
0.2832	16.2047	3800	0.2531	0.3685	0.0501
0.2707	16.6311	3900	0.2674	0.3986	0.0565
0.2571	17.0576	4000	0.2280	0.3397	0.0457
0.2555	17.4840	4100	0.2353	0.3589	0.0470
0.2479	17.9104	4200	0.2394	0.3438	0.0469
0.2358	18.3369	4300	0.2432	0.3671	0.0493
0.2279	18.7633	4400	0.2359	0.3479	0.0472
0.2464	19.1898	4500	0.2405	0.3644	0.0476
0.2237	19.6162	4600	0.2696	0.3877	0.0511
0.2567	20.0426	4700	0.2273	0.3438	0.0445
0.2154	20.4691	4800	0.2608	0.3247	0.0446
0.2128	20.8955	4900	0.2396	0.3630	0.0481
0.2106	21.3220	5000	0.2479	0.3753	0.0496
0.1975	21.7484	5100	0.2449	0.3521	0.0464
0.1987	22.1748	5200	0.2495	0.3753	0.0494
0.2008	22.6013	5300	0.2478	0.3712	0.0494
0.2085	23.0277	5400	0.2560	0.3493	0.0467
0.1805	23.4542	5500	0.2642	0.3397	0.0461
0.1895	23.8806	5600	0.2670	0.3767	0.0504
0.1698	24.3070	5700	0.2693	0.3411	0.0441
0.1748	24.7335	5800	0.2703	0.3603	0.0466
0.1691	25.1599	5900	0.2612	0.3301	0.0435
0.1699	25.5864	6000	0.2669	0.3507	0.0442
0.1827	26.0128	6100	0.3015	0.3603	0.0476
0.1628	26.4392	6200	0.3037	0.3712	0.0489
0.1612	26.8657	6300	0.2697	0.3425	0.0464
0.1531	27.2921	6400	0.2631	0.3260	0.0415
0.1461	27.7186	6500	0.2692	0.3164	0.0431
0.1432	28.1450	6600	0.2933	0.3356	0.0435
0.1361	28.5714	6700	0.2719	0.3342	0.0447
0.1637	28.9979	6800	0.2832	0.3397	0.0454
0.129	29.4243	6900	0.2934	0.3521	0.0475
0.1429	29.8507	7000	0.2886	0.3479	0.0450
0.1343	30.2772	7100	0.2812	0.3397	0.0426
0.1309	30.7036	7200	0.2764	0.3205	0.0416
0.1272	31.1301	7300	0.2757	0.3288	0.0427
0.1151	31.5565	7400	0.2884	0.3356	0.0441
0.1321	31.9829	7500	0.3110	0.3575	0.0467
0.1096	32.4094	7600	0.2888	0.3260	0.0444
0.1191	32.8358	7700	0.2933	0.3726	0.0494
0.115	33.2623	7800	0.3047	0.3356	0.0435
0.1	33.6887	7900	0.3250	0.3370	0.0447
0.1118	34.1151	8000	0.3095	0.3260	0.0421
0.0994	34.5416	8100	0.3179	0.3205	0.0416
0.101	34.9680	8200	0.3292	0.3233	0.0420
0.1046	35.3945	8300	0.3060	0.3315	0.0432
0.0944	35.8209	8400	0.3022	0.3068	0.0407
0.1007	36.2473	8500	0.3109	0.3192	0.0427
0.0885	36.6738	8600	0.3122	0.3192	0.0426
0.0958	37.1002	8700	0.3249	0.3260	0.0428
0.0863	37.5267	8800	0.3019	0.3329	0.0426
0.083	37.9531	8900	0.3154	0.3384	0.0437
0.0869	38.3795	9000	0.3080	0.3178	0.0407
0.0845	38.8060	9100	0.3043	0.3479	0.0432
0.0823	39.2324	9200	0.3207	0.3356	0.0428
0.0894	39.6588	9300	0.3275	0.3233	0.0413
0.0827	40.0853	9400	0.3238	0.3205	0.0416
0.0846	40.5117	9500	0.3266	0.3219	0.0421
0.0822	40.9382	9600	0.3428	0.3301	0.0423
0.0795	41.3646	9700	0.3404	0.3315	0.0438
0.0643	41.7910	9800	0.3396	0.3356	0.0436
0.0758	42.2175	9900	0.3427	0.3356	0.0445
0.071	42.6439	10000	0.3430	0.3534	0.0450
0.0676	43.0704	10100	0.3382	0.3370	0.0437
0.0663	43.4968	10200	0.3337	0.3205	0.0418
0.0831	43.9232	10300	0.3303	0.3288	0.0430
0.058	44.3497	10400	0.3432	0.3288	0.0437
0.0593	44.7761	10500	0.3516	0.3233	0.0425
0.0668	45.2026	10600	0.3537	0.3274	0.0427
0.062	45.6290	10700	0.3461	0.3247	0.0422
0.0721	46.0554	10800	0.3492	0.3233	0.0420
0.0631	46.4819	10900	0.3498	0.3137	0.0412
0.0568	46.9083	11000	0.3535	0.3123	0.0406
0.0625	47.3348	11100	0.3522	0.3110	0.0410
0.0597	47.7612	11200	0.3496	0.3192	0.0412
0.0575	48.1876	11300	0.3515	0.3137	0.0407
0.0499	48.6141	11400	0.3479	0.3151	0.0405
0.0607	49.0405	11500	0.3518	0.3082	0.0397
0.0604	49.4670	11600	0.3518	0.3068	0.0398
0.0563	49.8934	11700	0.3516	0.3096	0.0400

Framework versions

Transformers 4.44.2
Pytorch 2.3.1
Datasets 2.21.0
Tokenizers 0.19.1

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: 8334802

Характеристики

Ссылки

length-only-20260703-171218-asr-cherokee-extra-data

Бенчмарки

Тесты пользователейпока нет

Добавьте модель в бенчмарк

Опишите свои задачи

Запустите и опубликуйте

Публичные оценки

Что умеет модель

Сценарии применения

Ограничения

Карточка модели

length-only-20260703-171218-asr-cherokee-extra-data

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

Как запустить