/ Модель

Характеристики

Параметры
403 млн
Архитектура
wav2vec2 · dense
Опубликована
28 апр 2022

wav2vec2-large-slavic-parlaspeech-hr

Распознавание речиАудио → текст6 профессий

Модель wav2vec2 для расшифровки хорватской речи, дообученная на записях заседаний парламента.

411скачиваний за 30 дней2лайкавеса обновлены2 июл 2025

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

wav2vec2-large-slavic-parlaspeech-hr — модель автоматического распознавания хорватской речи от разработчиков Classla. Она основана на facebook/wav2vec2-large-slavic-voxpopuli-v2 и дообучена на 300 часах записей и расшифровок заседаний хорватского парламента из набора ParlaSpeech-HR v1.0. Архитектура — Wav2Vec2ForCTC семейства wav2vec2; размер составляет 402,7 млн параметров. Модель принимает аудио и выдаёт текстовую расшифровку.

Модель подходит для транскрибирования выступлений и записей парламентских заседаний на хорватском языке. На тестовой части ParlaSpeech-HR v1.0 указаны CER 0,0222 и WER 0,0679; отдельная версия с языковой моделью показала лучшие метрики CER и WER. Лицензия в предоставленных материалах не указана.

Сценарии применения

  • расшифровка выступлений в парламенте Хорватии
  • создание текстовых протоколов заседаний
  • транскрибирование хорватских аудиозаписей
  • поиск по записям парламентских дебатов

Ограничения

Настроена на хорватскую речь парламентского типа; качество на других жанрах и языках не описано. Версия wav2vec2-large-slavic-parlaspeech-hr-lm показывает лучшие CER и WER по сравнению с этой моделью.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

wav2vec2-large-slavic-parlaspeech-hr

This model for Croatian ASR is based on the facebook/wav2vec2-large-slavic-voxpopuli-v2 model and was fine-tuned with 300 hours of recordings and transcripts from the ASR Croatian parliament dataset ParlaSpeech-HR v1.0.

If you use this model, please cite the following paper:

Nikola Ljubešić, Danijel Koržinek, Peter Rupnik, Ivo-Pavao Jazbec. ParlaSpeech-HR -- a freely available ASR dataset for Croatian bootstrapped from the ParlaMint corpus. http://www.lrec-conf.org/proceedings/lrec2022/workshops/ParlaCLARINIII/pdf/2022.parlaclariniii-1.16.pdf

Metrics

Evaluation is performed on the dev and test portions of the ParlaSpeech-HR v1.0 dataset.

splitCERWER
dev0.03110.0921
test0.02220.0679

There are multiple models available, and in terms of CER and WER, the best-performing model is wav2vec2-large-slavic-parlaspeech-hr-lm.

Usage in transformers

from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC
import soundfile as sf
import torch
import os
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
# load model and tokenizer
processor = Wav2Vec2Processor.from_pretrained(
    "classla/wav2vec2-large-slavic-parlaspeech-hr")
model = Wav2Vec2ForCTC.from_pretrained("classla/wav2vec2-large-slavic-parlaspeech-hr")
# download the example wav files:
os.system("wget https://huggingface.co/classla/wav2vec2-large-slavic-parlaspeech-hr/raw/main/00020570a.flac.wav")
# read the wav file 
speech, sample_rate = sf.read("00020570a.flac.wav")
input_values = processor(speech, sampling_rate=sample_rate, return_tensors="pt").input_values.to(device)
# remove the raw wav file
os.system("rm 00020570a.flac.wav")
# retrieve logits
logits = model.to(device)(input_values).logits
# take argmax and decode
predicted_ids = torch.argmax(logits, dim=-1)
transcription = processor.decode(predicted_ids[0]).lower()
# transcription: 'veliki broj poslovnih subjekata posluje sa minusom velik dio'

Training hyperparameters

In fine-tuning, the following arguments were used:

argvalue
per_device_train_batch_size16
gradient_accumulation_steps4
num_train_epochs8
learning_rate3e-4
warmup_steps500

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
5b9a789

0 моделей