/ Модель

Характеристики

Параметры
413 млн
Архитектура
wav2vec2 · dense
Библиотека
transformers
Опубликована
26 авг 2026

omniASR-CTC-300M-v2-Zulu-All-v2

Распознавание речиАудио → текст

Многоязычная модель Wav2Vec2 CTC для преобразования речи из аудио в текст.

8скачиваний за 30 дней0лайковвеса обновлены26 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

csikasote/omniASR-CTC-300M-v2-Zulu-All-v2 — модель автоматического распознавания речи на архитектуре Wav2Vec2 с CTC-декодированием, преобразованная из чекпойнта OmniLingual fairseq2 `omniASR_CTC_300M_v2`. Модель принимает аудио и выдаёт CTC-логиты по словарю SentencePiece для транскрибирования речи на нескольких языках.

В модели 24 слоя энкодера и скрытый размер 1024; класс Transformers — `Wav2Vec2ForCTC`. README сообщает о подтверждённом численном совпадении выходов с исходным чекпойнтом в пределах atol=1e-4 на одном тестовом аудиофрагменте. Весовые файлы опубликованы в формате safetensors. Модель предназначена для распознавания речи; сведения о конкретных поддерживаемых языках и лицензии в предоставленных данных отсутствуют.

Сценарии применения

  • Транскрибирование многоязычных аудиозаписей
  • Распознавание устной речи в аудиофайлах
  • Создание текстовых расшифровок речевых материалов

Ограничения

Конкретный перечень поддерживаемых языков и лицензия не приведены в предоставленных данных. Подтверждение численного совпадения с исходным чекпойнтом основано на одном тестовом аудиофрагменте.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

omniASR-CTC-300M-v2-Zulu-All-v2

Wav2Vec2 CTC ASR model (v2) converted from the OmniLingual fairseq2 checkpoint omniASR_CTC_300M_v2.

This model outputs CTC logits over a SentencePiece vocabulary and can transcribe speech in multiple languages.

Model details

PropertyValue
HF classWav2Vec2ForCTC
Encoder layers24
Hidden size1024
Attention heads16
FFN intermediate4096
Vocabulary size10288
Source frameworkfairseq2
Source cardomniASR_CTC_300M_v2
Parity verification✅ Verified

Numerical parity against the original fairseq2 checkpoint has been confirmed: outputs match to within atol=1e-4 on a held-out audio sample.

Usage

from transformers import Wav2Vec2ForCTC, AutoProcessor
import torch, torchaudio

processor = AutoProcessor.from_pretrained("omniASR-CTC-300M-v2-Zulu-All-v2")
model     = Wav2Vec2ForCTC.from_pretrained("omniASR-CTC-300M-v2-Zulu-All-v2")
model.eval()

waveform, sr = torchaudio.load("audio.wav")
if sr != 16_000:
    waveform = torchaudio.functional.resample(waveform, sr, 16_000)

inputs = processor(
    waveform.squeeze().numpy(), sampling_rate=16_000, return_tensors="pt"
)
with torch.no_grad():
    logits = model(**inputs).logits          # (1, T, vocab)

pred_ids   = torch.argmax(logits, dim=-1)
transcript = processor.decode(pred_ids[0])
print(transcript)

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
caeab14

0 моделей