Характеристики

Параметры: 403 млн
Лицензия: Apache 2.0
Архитектура: wav2vec2 · dense
Базовая модель: wav2vec2-large-xlsr-53
Библиотека: transformers
Опубликована: 4 июл 2026

Ссылки

Hugging Face

length-only-20260704-211323-asr-cherokee-colon-real

charliemcvicker

Распознавание речиАудио → текст

Дообученная wav2vec 2.0 модель для автоматического распознавания речи, вероятно, на языке чероки.

7скачиваний за 30 дней0лайковвеса обновлены5 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-20260704-211323-asr-cherokee-colon-real — дообученная для распознавания речи версия facebook/wav2vec2-large-xlsr-53. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров; принимает аудио и выдаёт распознанный текст. По названию репозитория модель, вероятно, предназначена для распознавания речи на языке чероки, однако README не описывает её назначение, обучающие данные и условия применения. Лицензия — Apache-2.0.

В карточке приведены результаты оценки: WER 0,3356 и CER 0,0479 при loss 0,4104. Эти значения относятся к указанному набору оценки, но его состав не описан; поэтому переносить их на другие данные нельзя.

Сценарии применения

Распознавание речи на языке чероки
Преобразование записей на чероки в текст
Создание текстовых расшифровок аудиозаписей на чероки

Ограничения

README не раскрывает обучающие данные и условия оценки, поэтому приведённые WER и CER не позволяют судить о качестве на других наборах. Язык чероки предполагается по названию модели, но карточка явно его не подтверждает.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

length-only-20260704-211323-asr-cherokee-colon-real

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: 0.4104
Wer: 0.3356
Cer: 0.0479

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
num_epochs: 50
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Wer	Cer
3.5575	0.4264	100	2.8651	1.0	1.0
2.7037	0.8529	200	2.3562	1.0	0.9512
1.6007	1.2793	300	0.6487	1.0	0.2202
0.9567	1.7058	400	0.4622	0.9986	0.1672
0.7577	2.1322	500	0.3808	0.6699	0.1054
0.6744	2.5586	600	0.3391	0.6327	0.0897
0.6502	2.9851	700	0.3291	0.5461	0.0818
0.5742	3.4115	800	0.3588	0.5901	0.0913
0.5623	3.8380	900	0.3539	0.6135	0.0919
0.5563	4.2644	1000	0.2814	0.4415	0.0648
0.529	4.6908	1100	0.2760	0.4319	0.0624
0.4955	5.1173	1200	0.2665	0.4333	0.0635
0.4751	5.5437	1300	0.2795	0.4704	0.0667
0.5026	5.9701	1400	0.2880	0.4938	0.0784
0.4583	6.3966	1500	0.2970	0.4498	0.0684
0.4439	6.8230	1600	0.2824	0.4594	0.0653
0.4467	7.2495	1700	0.2745	0.4374	0.0626
0.4238	7.6759	1800	0.2486	0.4099	0.0583
0.3757	8.1023	1900	0.2754	0.4099	0.0591
0.3955	8.5288	2000	0.2580	0.4072	0.0613
0.4049	8.9552	2100	0.2593	0.3920	0.0579
0.3717	9.3817	2200	0.2794	0.4305	0.0627
0.3682	9.8081	2300	0.2822	0.4044	0.0591
0.3995	10.2345	2400	0.2676	0.4154	0.0601
0.3423	10.6610	2500	0.2617	0.4402	0.0645
0.3222	11.0874	2600	0.2536	0.3810	0.0554
0.3372	11.5139	2700	0.2577	0.3893	0.0570
0.3444	11.9403	2800	0.2517	0.3700	0.0539
0.3136	12.3667	2900	0.2686	0.4099	0.0585
0.3166	12.7932	3000	0.2845	0.4003	0.0582
0.3463	13.2196	3100	0.2993	0.4085	0.0630
0.2977	13.6461	3200	0.2699	0.4154	0.0619
0.2971	14.0725	3300	0.2687	0.3865	0.0568
0.2978	14.4989	3400	0.2405	0.3714	0.0539
0.2892	14.9254	3500	0.2559	0.3741	0.0557
0.2636	15.3518	3600	0.2848	0.3783	0.0543
0.2681	15.7783	3700	0.2675	0.3824	0.0555
0.2805	16.2047	3800	0.2784	0.3824	0.0550
0.2554	16.6311	3900	0.2809	0.3783	0.0557
0.2418	17.0576	4000	0.2771	0.3535	0.0507
0.2493	17.4840	4100	0.2625	0.3535	0.0523
0.256	17.9104	4200	0.2774	0.3824	0.0545
0.2245	18.3369	4300	0.2724	0.3934	0.0552
0.2296	18.7633	4400	0.2849	0.3631	0.0512
0.2453	19.1898	4500	0.3169	0.4113	0.0614
0.2262	19.6162	4600	0.3147	0.3906	0.0538
0.2403	20.0426	4700	0.2831	0.3755	0.0547
0.217	20.4691	4800	0.2888	0.3700	0.0514
0.2066	20.8955	4900	0.2762	0.3686	0.0520
0.2065	21.3220	5000	0.3019	0.3728	0.0514
0.2026	21.7484	5100	0.2845	0.3714	0.0527
0.2022	22.1748	5200	0.3160	0.3948	0.0556
0.186	22.6013	5300	0.3102	0.3893	0.0555
0.2078	23.0277	5400	0.3004	0.3810	0.0548
0.1852	23.4542	5500	0.3103	0.3741	0.0539
0.1745	23.8806	5600	0.3180	0.3796	0.0545
0.1661	24.3070	5700	0.3059	0.3838	0.0545
0.1622	24.7335	5800	0.3126	0.3824	0.0579
0.1708	25.1599	5900	0.3044	0.3728	0.0569
0.162	25.5864	6000	0.3160	0.3893	0.0566
0.19	26.0128	6100	0.3070	0.3838	0.0536
0.1626	26.4392	6200	0.3693	0.3714	0.0521
0.1512	26.8657	6300	0.3303	0.3686	0.0520
0.1445	27.2921	6400	0.3229	0.3783	0.0530
0.1459	27.7186	6500	0.3386	0.3769	0.0514
0.1534	28.1450	6600	0.3311	0.3576	0.0524
0.1257	28.5714	6700	0.3382	0.3700	0.0530
0.1649	28.9979	6800	0.3628	0.3989	0.0559
0.1386	29.4243	6900	0.3720	0.3604	0.0520
0.1413	29.8507	7000	0.3499	0.3700	0.0542
0.1328	30.2772	7100	0.3669	0.3783	0.0534
0.1338	30.7036	7200	0.3642	0.3700	0.0510
0.129	31.1301	7300	0.3895	0.3755	0.0534
0.1201	31.5565	7400	0.3909	0.3604	0.0521
0.1293	31.9829	7500	0.3677	0.3480	0.0501
0.113	32.4094	7600	0.3670	0.3508	0.0501
0.1401	32.8358	7700	0.3845	0.3398	0.0478
0.1244	33.2623	7800	0.3540	0.3563	0.0507
0.1102	33.6887	7900	0.3564	0.3521	0.0493
0.1124	34.1151	8000	0.3551	0.3549	0.0494
0.1124	34.5416	8100	0.3737	0.3549	0.0498
0.1145	34.9680	8200	0.3516	0.3645	0.0515
0.1057	35.3945	8300	0.3834	0.3508	0.0491
0.1074	35.8209	8400	0.4032	0.3466	0.0484
0.1032	36.2473	8500	0.3740	0.3521	0.0485
0.1096	36.6738	8600	0.3839	0.3604	0.0493
0.0948	37.1002	8700	0.3955	0.3398	0.0470
0.0894	37.5267	8800	0.3862	0.3590	0.0507
0.0911	37.9531	8900	0.3879	0.3521	0.0489
0.0958	38.3795	9000	0.4035	0.3508	0.0488
0.0869	38.8060	9100	0.4030	0.3631	0.0498
0.0954	39.2324	9200	0.3750	0.3576	0.0500
0.0928	39.6588	9300	0.3765	0.3411	0.0480
0.0853	40.0853	9400	0.3750	0.3508	0.0478
0.0923	40.5117	9500	0.3912	0.3439	0.0476
0.087	40.9382	9600	0.3956	0.3370	0.0478
0.086	41.3646	9700	0.3908	0.3384	0.0476
0.0766	41.7910	9800	0.3867	0.3508	0.0484
0.0765	42.2175	9900	0.3919	0.3301	0.0467
0.0886	42.6439	10000	0.4019	0.3370	0.0479
0.083	43.0704	10100	0.3972	0.3590	0.0496
0.0858	43.4968	10200	0.3988	0.3411	0.0475
0.0809	43.9232	10300	0.3999	0.3370	0.0474
0.0862	44.3497	10400	0.3882	0.3301	0.0473
0.0734	44.7761	10500	0.3900	0.3329	0.0474
0.0705	45.2026	10600	0.4033	0.3398	0.0480
0.0735	45.6290	10700	0.4017	0.3398	0.0480
0.0707	46.0554	10800	0.4076	0.3439	0.0491
0.0711	46.4819	10900	0.4119	0.3425	0.0479
0.0679	46.9083	11000	0.4121	0.3453	0.0483
0.0737	47.3348	11100	0.4073	0.3411	0.0483
0.0661	47.7612	11200	0.4137	0.3453	0.0484
0.0686	48.1876	11300	0.4134	0.3439	0.0480
0.0648	48.6141	11400	0.4168	0.3384	0.0479
0.0707	49.0405	11500	0.4146	0.3370	0.0480
0.0753	49.4670	11600	0.4110	0.3398	0.0483
0.0678	49.8934	11700	0.4104	0.3356	0.0479

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: 065a238

Характеристики

Ссылки

length-only-20260704-211323-asr-cherokee-colon-real

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-20260704-211323-asr-cherokee-colon-real

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

Как запустить