/ Модель

Характеристики

Параметры
403 млн
Архитектура
wav2vec2 · dense
Опубликована
2 мар 2022

wav2vec2-xls-r-parlaspeech-hr

Распознавание речиАудио → текст6 профессий

Модель CLASSLA на базе Wav2Vec2 распознаёт хорватскую речь и транскрибирует записи, включая выступления в парламенте.

610 тыс.скачиваний 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

wav2vec2-xls-r-parlaspeech-hr — модель распознавания хорватской речи от CLASSLA. Это архитектура Wav2Vec2ForCTC размером 402,7 млн параметров, дообученная на 300 часах аудиозаписей и расшифровок из набора ParlaSpeech-HR v1.0, сформированного на основе парламентских выступлений. Модель предназначена для автоматической транскрипции хорватской речи, в частности записей парламентских заседаний.

На тестовой части ParlaSpeech-HR v1.0 указаны CER 0,0234 и WER 0,0761; карточка отмечает, что другая модель из серии, wav2vec2-large-slavic-parlaspeech-hr-lm, показывает лучшие результаты по этим метрикам. Модель принимает аудио и выдаёт текст. В метаданных указана лицензия CC-BY-NC-SA-4.0.

Сценарии применения

  • транскрибация записей заседаний хорватского парламента
  • распознавание хорватской речи в аудиозаписях
  • создание текстовых расшифровок парламентских выступлений

Ограничения

Модель настроена на хорватскую речь из парламентского домена, поэтому её точность на других жанрах и акустических условиях может отличаться. В карточке указано, что модель wav2vec2-large-slavic-parlaspeech-hr-lm показывает лучшие значения CER и WER.

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-xls-r-parlaspeech-hr

This model for Croatian ASR is based on the facebook/wav2vec2-xls-r-300m 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
dev0.03350.1046
test0.02340.0761

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-xls-r-parlaspeech-hr")
model = Wav2Vec2ForCTC.from_pretrained("classla/wav2vec2-xls-r-parlaspeech-hr")


# download the example wav files:
os.system("wget https://huggingface.co/classla/wav2vec2-xls-r-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
a6075e0

0 моделей