/ Модель

Характеристики

Лицензия
MIT
Опубликована
14 авг 2026

wav2vec2-base-960h-torchaudio

Распознавание речиАудио → текст

Неизменённая контрольная точка wav2vec2-base-960h для распознавания английской речи и выравнивания транскрипции с аудио.

0скачиваний за 30 дней0лайковвеса обновлены14 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Это неизменённая копия контрольной точки wav2vec2-base-960h из torchaudio.pipelines.WAV2VEC2_ASR_BASE_960H, опубликованная clementrahula. Веса PyTorch пере размещены без дообучения, квантизации или конвертации; указанный размер файла — около 378 МБ.

Модель предназначена для автоматического распознавания английской речи и может использоваться в CTC-выровнивании аудио с текстом для получения временных меток слов. Карточка описывает сценарий размещения контрольной точки в локальном кэше torchaudio, например для приложения качественного анализа на устройстве.

Репозиторий распространяется по лицензии MIT. Описанный сценарий выравнивания требует текста транскрипции; карточка не сообщает об отдельной точности распознавания или выравнивания.

Сценарии применения

  • распознавание английской речи из аудиозаписи
  • CTC-выравнивание английской транскрипции с аудио
  • получение временных меток слов в речи
  • локальное использование контрольной точки через torchaudio

Ограничения

Для получения временных меток слов при forced alignment требуется соответствующая текстовая транскрипция. Карточка не приводит метрик качества распознавания или выравнивания.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

wav2vec2 base 960h — torchaudio checkpoint, rehosted unmodified

The checkpoint behind torchaudio.pipelines.WAV2VEC2_ASR_BASE_960H, byte-for-byte as PyTorch publishes it. Nothing here is modified, retrained, quantized or converted — this is a rehost, not a derivative.

Filewav2vec2_fairseq_base_ls960_asr_ls960.pth
Size377,664,473 bytes
SHA-256488fd4f16de84438ffc945334278c1b9fb9b7159a806c1080b16111a958c945d
Copied fromhttps://download.pytorch.org/torchaudio/models/wav2vec2_fairseq_base_ls960_asr_ls960.pth
Modelwav2vec 2.0 BASE, pre-trained and fine-tuned for ASR on 960 h of LibriSpeech

Rehosted for Thematic Thing, an on-device qualitative-analysis application, which uses it for CTC forced alignment (word-level timestamps) and needs the artefact it downloads to come from a source it controls, with a written licence chain.

Usage

torchaudio resolves this file by name from its own CDN. To use this copy instead, place it in the torch hub checkpoint cache under its original filename before building the bundle — torch.hub short-circuits on an existing file and makes no HTTP call:

import torch, torchaudio
dst = Path(torch.hub.get_dir()) / "checkpoints" / "wav2vec2_fairseq_base_ls960_asr_ls960.pth"
# ... download this repo's file to `dst`, verify its SHA-256, then:
model = torchaudio.pipelines.WAV2VEC2_ASR_BASE_960H.get_model()

Licence and attribution

The weights are the work of Meta Platforms (Facebook, Inc. and its affiliates), published with the wav2vec 2.0 release in facebookresearch/fairseq under the MIT License, and redistributed by PyTorch under that same licence. torchaudio states this in its own source, in the docstring of the bundle that names this exact file (torchaudio/pipelines/_wav2vec2/impl.py, v2.8.0, lines 343–354):

Originally published by the authors of wav2vec 2.0 under MIT License and redistributed with the same license. [License, Source]

That pinned LICENSE is the MIT License, Copyright (c) Facebook, Inc. and its affiliates, and is included here verbatim as LICENSE-fairseq-MIT.txt. PyTorch is doing exactly what this repository does — hosting a copy of the fairseq weights under the licence they were released with.

The .pth container is torchaudio's own parameter layout for the same weights, so torchaudio's BSD 2-Clause licence (Copyright (c) 2017 Facebook Inc.) is included as LICENSE-torchaudio-BSD-2-Clause.txt.

Please cite the authors of the model:

@article{baevski2020wav2vec,
  title={wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations},
  author={Baevski, Alexei and Zhou, Henry and Mohamed, Abdelrahman and Auli, Michael},
  journal={Advances in Neural Information Processing Systems},
  volume={33},
  year={2020}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
f9713d2

0 моделей