zh_w2v2_tiny_fc_10ms

Она предназначена для фонетического анализа и выравнивания китайской (Mandarin Chinese) речи: принудительного выравнивания аудио с заданной транскрипцией, распознавания фонем и получения временных границ фонетических единиц. Модель публикуется пользователем charsiu на Hugging Face и интегрируется с Charsiu и Transformers через Wav2Vec2ForFrameClassification.

В основе лежит архитектура Wav2Vec 2.0 с семью сверточными слоями извлечения признаков и шестью transformer-слоями; размер скрытого представления — 384, число attention heads — 6, словарь содержит 210 классов. Модель работает с речевым аудио и ориентирована на китайский язык; выход рассчитан на временное разрешение 10 мс, что отражено в идентификаторе модели. Длина контекста и точное число параметров в доступных первоисточниках не указаны.

Сильная сторона модели — специализированное фонетическое выравнивание китайской речи при сравнительно небольшом размере модели, что делает её пригодной для локального использования. Ограничения включают узкую специализацию, отсутствие заявленной поддержки других языков и предупреждение авторов Charsiu о статусе beta, возможных ошибках и необходимости проверять результаты вручную. Репозиторий Charsiu распространяется под лицензией MIT, но отдельная лицензия именно для файла модели на её карточке не указана.