/ Модель

Характеристики

Параметры
403 млн
Архитектура
wav2vec2 · dense
Опубликована
28 апр 2022

wav2vec2-large-slavic-parlaspeech-hr-lm

Распознавание речиАудио → текст6 профессий

Модель распознаёт хорватскую речь и преобразует аудиозаписи, в том числе парламентские выступления, в текст.

27скачиваний за 30 дней3лайкавеса 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

Модель classla/wav2vec2-large-slavic-parlaspeech-hr-lm предназначена для автоматического распознавания хорватской речи. Она разработана на основе facebook/wav2vec2-large-slavic-voxpopuli-v2 и дообучена на 300 часах аудиозаписей и расшифровок из набора ParlaSpeech-HR v1.0, содержащего выступления в парламенте Хорватии. Дополнительно применена 5-граммовая языковая модель на основе ParlaMint.

Это модель Wav2Vec2 с архитектурой Wav2Vec2ForCTC и примерно 402,7 млн параметров. На тестовой части ParlaSpeech-HR v1.0 указаны CER 0,0188 и WER 0,0430; результаты относятся к этому набору данных и не гарантируют такую же точность на других аудио. Модель принимает аудио и выдаёт текстовую расшифровку. Лицензия в предоставленных данных не указана.

Сценарии применения

  • расшифровка заседаний парламента Хорватии
  • создание субтитров к хорватским аудиозаписям
  • транскрибирование выступлений и дебатов на хорватском языке

Ограничения

Модель дообучена на парламентской речи ParlaSpeech-HR, поэтому её точность на других жанрах, акустических условиях и типах аудио может отличаться. Приведённые CER и WER измерены только на dev- и test-частях этого набора данных.

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-lm

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 and enhanced with a 5-gram language model based on the ParlaMint dataset.

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
dev0.02530.0556
test0.01880.0430

Usage in transformers

Tested with transformers==4.18.0, torch==1.11.0, and SoundFile==0.10.3.post1.

from transformers import Wav2Vec2ProcessorWithLM, 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 = Wav2Vec2ProcessorWithLM.from_pretrained(
    "classla/wav2vec2-large-slavic-parlaspeech-hr-lm")
model = Wav2Vec2ForCTC.from_pretrained("classla/wav2vec2-large-slavic-parlaspeech-hr-lm")
# download the example wav files:
os.system("wget https://huggingface.co/classla/wav2vec2-large-slavic-parlaspeech-hr-lm/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.cuda()
inputs = processor(speech, sampling_rate=sample_rate, return_tensors="pt")
with torch.no_grad():
    logits = model(**inputs).logits
transcription = processor.batch_decode(logits.numpy()).text[0]

# remove the raw wav file
os.system("rm 00020570a.flac.wav")

transcription # 'velik broj poslovnih subjekata poslao je 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
bc6a909

0 моделей