/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
wav2vec2-base-960h
Опубликована
11 июл 2026

wav2vec2-base-960h-GGUF

Распознавание речиАудио → текст

Модель wav2vec2 в формате GGUF для выравнивания английской расшифровки по аудио и распознавания речи.

86скачиваний за 30 дней1лайквеса обновлены2 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

cstr/wav2vec2-base-960h-GGUF — версия модели facebook/wav2vec2-base-960h в формате GGUF, подготовленная для CrispASR. Она предназначена прежде всего для принудительного выравнивания известной английской расшифровки с аудио и определения временных меток слов; также может распознавать речь самостоятельно с помощью жадного CTC-декодирования.

Модель основана на wav2vec2-base: кодировщик Transformer с 12 слоями, размерностью 768 и 12 головами внимания, свёрточный экстрактор признаков из 7 слоёв и CTC-голова для символьного английского словаря. Принимает монофоническое аудио с частотой 16 кГц. Исходная модель была дообучена на 960 часах LibriSpeech; в этой версии выполнено преобразование формата в GGUF, без дополнительного обучения. Файл весов F16 с нормализациями F32 занимает 197 МБ.

Подходит для создания временных меток слов, синхронизации субтитров с аудио и базовой английской транскрибации. Ограничена английским языком и входным аудио; для выравнивания требуется заранее известный текст расшифровки. Распространяется по лицензии Apache-2.0 на условиях исходной модели.

Сценарии применения

  • получение временных меток слов для известной английской расшифровки
  • синхронизация текста субтитров с аудиозаписью
  • переразметка временных меток в существующих субтитрах
  • транскрибация английской речи из монофонического аудио 16 кГц

Ограничения

Модель рассчитана на английскую речь и монофоническое аудио с частотой 16 кГц. Для принудительного выравнивания нужно предоставить расшифровку; автономное распознавание использует жадное CTC-декодирование.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

wav2vec2-base-960h — GGUF

GGUF conversion of facebook/wav2vec2-base-960h for CrispASR.

This model is primarily used as a CTC forced aligner — it produces word-level timestamps by aligning a known transcript to audio. It can also perform standalone ASR via CTC greedy decode.

Architecture

  • wav2vec2-base: 12-layer transformer encoder (768-dim, 12 heads)
  • CTC head: Linear(768, 32) — character-level English vocabulary
  • Feature extractor: 7-layer CNN (raw waveform -> 512-dim features)
  • Input: 16 kHz mono audio
  • Training: 960 hours of LibriSpeech (supervised CTC fine-tune)

Files

FileSizeDescription
wav2vec2-base-960h.gguf197 MBFull precision (F16 weights, F32 norms)

Usage with CrispASR

Forced alignment (word-level timestamps)

# Align a transcript to audio — produces word-level SRT:
crispasr --align-only \
    -am wav2vec2-base-960h.gguf \
    -f audio.wav \
    --ref-text "The quick brown fox jumps over the lazy dog." \
    --align-format srt --align-output aligned.srt

# Or align from an existing SRT (re-time the cues):
crispasr --align-only \
    -am wav2vec2-base-960h.gguf \
    -f audio.wav \
    --text-file subtitles.srt \
    --align-output retimed.srt

As an aligner companion for LLM ASR backends

# Word timestamps for any backend that lacks native ones:
crispasr --backend granite -m auto \
    -am wav2vec2-base-960h.gguf --force-aligner \
    -f audio.wav -osrt

Auto-download

# The aligner is auto-downloaded when using -am auto:
crispasr --backend granite -m auto \
    -am auto --force-aligner \
    -f audio.wav -osrt

License

Apache 2.0 (same as the original model).

Credits

Provenance and EU AI Act Art. 53 note

  • Upstream model: facebook/wav2vec2-base-960h — published by facebook.
  • Upstream licence: apache-2.0. This repository redistributes under the same terms; it grants no rights the upstream licence does not.
  • What was done here: format conversion and/or quantisation only (GGUF). No training, no fine-tuning, no merging, no distillation, no change to architecture, vocabulary or capability. Only the numeric representation of the upstream weights differs.
  • Training data: documented — where it is documented at all — by the upstream provider; see the upstream model card. No training data was used, added or selected by this repository.
  • Provider status: under Regulation (EU) 2024/1689 the upstream authors remain the provider of this model. Converting the serialisation format does not make this repository the provider of a new general-purpose AI model, and no such claim is made. Questions about training content, copyright policy or model capability belong upstream.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
7c025ea

0 моделей