/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-sanskrit-stt
Библиотека
transformers
Опубликована
27 авг 2026

wav2vec2-vedic-aligner

Распознавание речиАудио → текст3 профессии

Wav2vec2-CTC, дообученная для выравнивания санскритских ведических песнопений с транскрипцией и оценки произношения.

1 077скачиваний за 30 дней0лайковвеса обновлены27 авг 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

Модель chiranjeevisagi/wav2vec2-vedic-aligner — дообученная на напевном санскрите версия wav2vec2-CTC, созданная на основе addy88/wav2vec2-sanskrit-stt. Она предназначена для принудительного выравнивания известной транскрипции на деванагари с записью ведического песнопения и оценки произношения по выходным вероятностям модели; это не универсальная система распознавания санскрита. Архитектура Wav2Vec2ForCTC содержит 113,3 млн параметров, принимает аудио и выдаёт текстовые токенные гипотезы и эмиссии для выравнивания. Обучение на 43,5 часах напевного санскрита Vedavani включало изменение скорости воспроизведения от 0,85 до 1,25 раза. README сообщает CER 0,084 на отложенном тесте Vedavani и 0,064 на отдельной записи учителя.

Для корректного выравнивания необходимо явно задавать CTC blank с id 0: номинальный blank в конфигурации не соответствует фактически используемому пустому токену. При декодировании также нужно самостоятельно удалять этот токен. Модель ориентирована на песнопения и может хуже работать с обычной речью или иными условиями записи. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • выравнивание транскрипции на деванагари с записью ведического песнопения
  • определение границ слогов в санскритской рецитации
  • оценка произношения при чтении ведических текстов
  • создание обратной связи для приложения обучения ведическому пению

Ограничения

Модель специализирована на напевном санскрите и не предназначена для общего распознавания речи. Для выравнивания требуется явно задать CTC blank с id 0 и самостоятельно удалять соответствующий токен при декодировании.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Vedic chanting aligner (wav2vec2-CTC, Devanagari)

addy88/wav2vec2-sanskrit-stt fine-tuned on Vedavani (43.5 h of chanted Sanskrit) for forced alignment of a known Devanagari transcript onto a recitation.

It is used as the alignment and pronunciation backbone of a Vedic chanting assessment app: syllable boundaries come from torchaudio.forced_align over its emissions, and pronunciation is Goodness-of-Pronunciation off its posteriors. It is trained to place chanted Sanskrit accurately, not to be a general-purpose Sanskrit ASR system.

Two things you must know before using it

1. The CTC blank is <s> (id 0), not <pad>. This is inherited from the base checkpoint, whose config names <pad> while the token that actually behaves as the blank is <s> -- it argmaxes on ~89 % of frames while <pad> never fires. Pass blank=0 to torchaudio.forced_align, and strip <s> yourself when decoding: processor.batch_decode strips the nominal blank and will leave literal <s> in every hypothesis.

2. Speed perturbation is why the boundaries hold. Vedavani is single verses at one tempo. Without augmentation the model places the elongated final syllable of a chanted line correctly at 1.0x and truncates it past 1.06x -- which reads as a much worse rhythm measurement, not as a worse loss. Trained here with resampling over 0.85-1.25x.

Results

basethis
held-out CER (Vedavani test)0.5370.084
CER on a held-out chanted teacher recording0.1910.064
syllables the recognizer mis-hears on a correct rendition8.6 %1.7 %

Training

12 epochs, lr 1e-4 linear with 500 warmup steps, effective batch 24, fp16, feature encoder frozen, ctc_loss_reduction="mean", clips capped at 16 s, speed perturbation 0.85-1.25x. The vocab is reused byte for byte from the base checkpoint -- 67 tokens, never rebuilt.

Usage

from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

processor = Wav2Vec2Processor.from_pretrained("chiranjeevisagi/wav2vec2-vedic-aligner")
model = Wav2Vec2ForCTC.from_pretrained("chiranjeevisagi/wav2vec2-vedic-aligner")
# ... and remember blank = <s> = id 0

License

Apache-2.0, matching the base checkpoint and the corpus.

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
3e0a062

0 моделей