Характеристики

Лицензия: Apache 2.0
Базовая модель: wav2vec2-large-xlsr-53-english
Библиотека: ggml
Опубликована: 12 апр 2026

Ссылки

wav2vec2-large-xlsr-53-english-GGUF

Распознавание речиАудио → текст5 профессий

cstr/wav2vec2-large-xlsr-53-english-GGUF — это модель автоматического распознавания английской речи, преобразованная из jonatasgrosman/wav2vec2-large-xlsr-53-english в формат GGUF.

2 557скачиваний за 30 дней0лайковвеса обновлены12 апр 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

В основе лежит архитектура Wav2Vec2 с CNN-экстрактором признаков и 24 Transformer-слоями; модель предварительно обучалась на 53 языках в рамках XLSR-53, а затем дообучалась на англоязычных данных Common Voice с CTC-головой. Разработчик исходной модели — jonatasgrosman, конверсия в GGUF выполнена для использования с CrispASR.

Модель предназначена для транскрибирования английской речи из монофонических аудиозаписей с частотой дискретизации 16 кГц и выдаёт посимвольные транскрипции. Она содержит 1024-мерное скрытое представление, 16 attention-голов и CTC-словарь из 33 токенов. Веса представлены в формате GGUF с точностью F16, размер файла составляет около 627 МБ, что упрощает применение в совместимых локальных инструментах, включая CrispASR. Сильными сторонами являются специализация на английской речи и поддержка эффективного формата GGUF; ограничения включают работу только с английским языком и необходимость подавать аудио в требуемом формате. Модель распространяется по лицензии Apache-2.0.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.7Универсальные способностиРечь, диалоги и встречиAI помогает понимать разговорную речь, поддерживать диалог и превращать встречи в структурированные результаты.17 задач26 923модели I.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953модели I.9Универсальные способностиАудио и музыкаAI помогает анализировать, очищать, преобразовывать и создавать звук и музыку.15 задач4 835моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Также подходит для

I.3Извлечение и структурирование данных

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Wav2Vec2 Large XLSR-53 English — GGUF

GGUF conversion of jonatasgrosman/wav2vec2-large-xlsr-53-english for English speech recognition.

Model details

Property	Value
Architecture	Wav2Vec2 (CNN feature extractor + 24 Transformer layers)
Hidden size	1024
Attention heads	16
CTC vocabulary	33 tokens
Format	GGUF (F16 weights)
Size	627 MB

The model was pre-trained on 53 languages (XLSR-53) and fine-tuned on English Common Voice data with a CTC head. It accepts 16 kHz mono audio and outputs character-level transcriptions.

Usage with CrispASR

crispasr \
  --backend wav2vec2 \
  -m wav2vec2-xlsr-en.gguf \
  audio.wav

Provenance

Weights were converted from the original Hugging Face PyTorch checkpoint into GGUF format with F16 precision for all transformer and feature-extractor parameters.

License

Apache-2.0 — same as the original model.

Как запустить

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

GPU в ailist

Универсальный рантайм · ggml

Нельзя запустить

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

Ревизия весов: 3de5f69