/ Модель
Каталог

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-xls-r-300m
Библиотека
transformers
Опубликована
30 ноя 2025

Ссылки

Hugging Face

ssc-meh-model

ctaguchi
Распознавание речиАудио → текст5 профессий

Дообученная на неизвестном датасете модель Wav2Vec2 для преобразования аудиоречи в текст.

575скачиваний за 30 дней0лайковвеса обновлены1 дек 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.

Открыть конструктор бенчмарка

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

ctaguchi/ssc-meh-model — модель распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, преобразуя речь в текст. В README приведены результаты оценки: loss 1,8542, CER 0,3340 и WER 0,8345.

Модель опубликована в формате Safetensors и распространяется по лицензии Apache-2.0. Датасет обучения, поддерживаемые языки и предполагаемые сценарии использования в карточке не описаны; приведённые метрики указывают на ошибки распознавания, поэтому качество для конкретных данных следует оценивать отдельно.

Сценарии применения

  • транскрибация аудиозаписей
  • распознавание речи в пользовательских аудиофайлах
  • оценка качества системы распознавания речи

Ограничения

Датасет обучения и поддерживаемые языки не указаны. На тестовой выборке указаны CER 0,3340 и WER 0,8345; качество на других данных не установлено.

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 923моделиI.9Универсальные способностиАудио и музыкаAI помогает анализировать, очищать, преобразовывать и создавать звук и музыку.15 задач4 835моделейII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделейI.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953модели

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ssc-meh-model

This model is a fine-tuned version of facebook/wav2vec2-xls-r-300m on an unknown dataset. It achieves the following results on the evaluation set:

  • Loss: 1.8542
  • Cer: 0.3340
  • Wer: 0.8345

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0003
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 16
  • optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 100
  • num_epochs: 30
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossCerWer
5.72020.19051002.92021.01.0
2.95390.38102002.77511.01.0
2.90960.57143002.79311.01.0
2.90360.76194002.78831.01.0
2.85630.95245002.98391.01.0
2.74451.14296002.57051.01.0
2.67381.33337002.49140.99690.9992
2.58211.52388002.23020.92310.9753
2.43711.71439002.09140.85291.0
2.28151.904810001.89290.73300.9997
2.12942.095211001.89640.64610.9673
1.91562.285712001.81220.71970.9931
1.84082.476213001.72760.59930.9602
1.75062.666714001.65610.65340.9657
1.70862.857115001.71040.47680.9349
1.58343.047616001.43680.44600.9084
1.57313.238117001.45940.42920.9379
1.57433.428618001.47130.41830.9731
1.47663.619019001.39670.43340.9114
1.47993.809520001.52860.42600.9550
1.49734.021001.79880.41151.1627
1.34984.190522001.47390.47680.9209
1.36424.381023001.36850.42410.9290
1.3614.571424001.35780.47050.9097
1.37474.761925001.44240.45600.9060
1.37284.952426001.59080.39780.9865
1.25245.142927001.30190.38140.9119
1.25325.333328001.39690.39600.9056
1.25275.523829001.24840.36590.9150
1.23475.714330001.53030.40451.0358
1.25315.904831001.30370.38270.8702
1.25066.095232001.44840.38150.9621
1.12956.285733001.44670.38430.9590
1.15076.476234001.30740.40330.8888
1.1466.666735001.63790.41091.0024
1.18126.857136001.36740.41370.9033
1.0637.047637001.26950.37190.9200
1.06157.238138001.28160.36450.9137
1.07797.428639001.33080.37720.9202
1.0597.619040001.19880.39830.8730
1.07067.809541001.27350.37710.8901
1.13068.042001.33970.40570.8777
0.9658.190543001.49660.39341.0157
1.00818.381044001.21400.38990.8674
1.00528.571445001.24900.38730.8774
1.02628.761946001.27930.37050.8633
0.97918.952447001.15780.35420.8501
0.89759.142948001.19940.36460.8731
0.90439.333349001.18900.34260.8523
0.96419.523850001.25370.36040.9406
0.95269.714351001.20810.35490.8456
0.9059.904852001.24400.36140.9021
0.909910.095253001.34970.37030.9114
0.843510.285754001.17310.38610.8658
0.891410.476255001.37440.37450.9399
0.87910.666756001.22980.35590.8850
0.875410.857157001.32390.35080.9467
0.834811.047658001.21660.35510.8572
0.78111.238159001.28080.35110.9238
0.808111.428660001.21050.34960.8970
0.802311.619061001.19240.34340.8323
0.823611.809562001.21410.34530.9049
0.89212.063001.27980.37200.9378
0.754912.190564001.17000.33180.8809
0.742812.381065001.30490.36280.8782
0.76512.571466001.24510.34490.9348
0.774712.761967001.32160.37140.8654
0.744812.952468001.32660.36330.8783
0.669413.142969001.20950.34110.8247
0.694913.333370001.34660.35890.8935
0.72113.523871001.22780.34780.8737
0.729813.714372001.26890.35330.9153
0.692813.904873001.20130.34330.8368
0.706114.095274001.30390.37810.8541
0.647714.285775001.24270.34070.8845
0.675214.476276001.31060.35360.8776
0.649814.666777001.24470.34120.8615
0.662614.857178001.30160.36210.8733
0.581315.047679001.22650.33620.8301
0.619515.238180001.29330.34450.8307
0.590915.428681001.23760.33510.8288
0.604815.619082001.26480.33740.8197
0.623515.809583001.25150.34100.8602
0.672116.084001.27120.34220.8459
0.515616.190585001.36920.35270.8760
0.531216.381086001.35740.34380.8598
0.585916.571487001.25560.33980.8362
0.545416.761988001.37800.35740.8749
0.555216.952489001.28680.34610.8953
0.48417.142990001.27840.34340.8335
0.536417.333391001.26290.33390.8294
0.518817.523892001.34470.33290.8361
0.497917.714393001.37550.33320.8532
0.531317.904894001.27480.33970.8486
0.510218.095295001.33030.33630.8214
0.499718.285796001.31190.34530.8571
0.47518.476297001.40790.34460.8573
0.498918.666798001.32630.33350.8518
0.491518.857199001.31380.34100.8241
0.446919.0476100001.38200.33090.8491
0.439119.2381101001.38120.33440.8371
0.448119.4286102001.33210.34340.8303
0.448219.6190103001.35480.33560.8298
0.459219.8095104001.32960.34050.8610
0.488620.0105001.36360.35150.8321
0.402320.1905106001.43820.35140.8467
0.433220.3810107001.28290.33190.8508
0.415420.5714108001.39220.34230.8313
0.427620.7619109001.40430.34590.8460
0.431620.9524110001.40120.33460.8272
0.35121.1429111001.49230.34040.8368
0.394121.3333112001.45090.34380.8382
0.388321.5238113001.41890.33590.8258
0.420821.7143114001.45270.34110.8344
0.384321.9048115001.50000.34740.8349
0.4222.0952116001.61680.35090.8666
0.363822.2857117001.56450.35180.8581
0.376322.4762118001.43470.34410.8419
0.363722.6667119001.60410.34660.8635
0.371722.8571120001.58760.34000.8466
0.339823.0476121001.56340.33780.8281
0.34723.2381122001.49490.33160.8112
0.349323.4286123001.51270.34270.8347
0.33823.6190124001.53400.34580.8423
0.345623.8095125001.56080.34920.8532
0.382924.0126001.54810.33910.8569
0.33124.1905127001.56830.33230.8539
0.30524.3810128001.64750.32980.8240
0.324424.5714129001.55660.33750.8227
0.339724.7619130001.56760.33680.8393
0.322124.9524131001.58390.33760.8391
0.294325.1429132001.73260.33160.8413
0.319725.3333133001.68150.33290.8492
0.301125.5238134001.68160.33590.8492
0.315225.7143135001.67900.33910.8683
0.308825.9048136001.66280.34280.8819
0.33626.0952137001.70370.33400.8444
0.277826.2857138001.78350.34790.8627
0.277526.4762139001.74540.33590.8630
0.28626.6667140001.75950.33590.8395
0.272426.8571141001.74680.33870.8408
0.266327.0476142001.69980.33520.8452
0.294127.2381143001.82330.33670.8526
0.288827.4286144001.76920.33530.8241
0.251127.6190145001.82210.33710.8425
0.262327.8095146001.80680.34000.8403
0.285128.0147001.82500.33980.8417
0.255728.1905148001.83850.34050.8464
0.284428.3810149001.83510.33590.8456
0.2528.5714150001.82010.33260.8261
0.26728.7619151001.83910.33760.8375
0.240928.9524152001.84500.33710.8430
0.226329.1429153001.83160.33560.8336
0.257929.3333154001.84720.33380.8391
0.242429.5238155001.85360.33280.8357
0.261229.7143156001.85610.33410.8339
0.264429.9048157001.85420.33400.8345

Framework versions

  • Transformers 4.57.2
  • Pytorch 2.9.1+cu128
  • Datasets 3.6.0
  • Tokenizers 0.22.0

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
9a891ef

0 моделей

    Создать бенчмарк