/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
wav2vec2_llama · dense
Опубликована
28 сен 2026

Kurdish-OmniASR-7B-Champion

Распознавание речиАудио → текст5 профессий

Модель распознаёт центральнокурдскую речь сорани и преобразует её в текст с нормативной литературной орфографией.

270скачиваний за 30 дней0лайковвеса обновлены29 сен 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

Kurdish OmniASR 7B Champion v10 — модель распознавания речи, разработанная для центральнокурдского языка (сорани). Она сочетает акустический экстрактор Wav2Vec2-BERT с авторегрессионным декодером Llama-7B и предназначена для транскрибации студийной, вещательной и телефонной речи, в том числе длинных записей с формированием субтитров.

Модель ориентирована на сорани и преобразует разговорную речь в литературную орфографию, обрабатывая границы слов и клитик, составные глагольные приставки и другие особенности письма. В README описаны обучение на аудио разных акустических условий, включая телефонные записи, а также DPO-выравнивание. Заявленные результаты бенчмарков приведены разработчиком; их независимая проверка по представленным данным невозможна.

Опубликован слитый чекпойнт PyTorch в формате bfloat16 размером 14,54 ГБ, без необходимости запускать LoRA-адаптер. Лицензия — Apache-2.0. Сведения о длине контекста не приведены.

Сценарии применения

  • транскрибация телефонных разговоров на сорани
  • распознавание речи в студийных и вещательных записях
  • создание субтитров SRT и WebVTT для подкастов и длинных аудиозаписей
  • преобразование разговорной речи сорани в литературное написание

Ограничения

Заявленные показатели качества основаны на бенчмарках из README; по предоставленным данным их нельзя независимо подтвердить. Чекпойнт bfloat16 занимает 14,54 ГБ, поэтому для запуска требуется соответствующая вычислительная память.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Kurdish OmniASR 7B (Champion v10 Super-Gemini)

Kurdish OmniASR 7B (Champion v10 Super-Gemini) is a state-of-the-art foundation Automatic Speech Recognition (ASR) model specifically engineered and optimized for Central Kurdish (Sorani, ckb_Arab).

The model fuses the acoustic feature extraction capabilities of Wav2Vec2-BERT with the autoregressive linguistic decoder of Llama-7B, fully aligned across a progressive 4-tier curriculum culminating in Contrastive Direct Preference Optimization (DPO 3.0) with multi-codec telephony augmentation.

The release artifact is a standalone, fully fused model checkpoint (kurdish_omniasr_7b_v10_champion.pt, 14.54 GB bfloat16) with zero LoRA runtime overhead.


🏆 Independent Head-to-Head Benchmark vs Gemini 2.5 Pro & Scribe v2

Evaluated on the independent 16-clip Central Kurdish benchmark across studio and telephony speech distributions (score.py standard evaluation):

Benchmark Test SuiteElevenLabs Scribe v2Google Gemini 2.5 ProKurdish OmniASR 7B (Champion v10)
Phone Speech (Telephony / Mobile)6.1% WER4.6% WER0.0% WER (100% Exact Match)
Studio Speech (Broadcast / Audio)8.2% WER7.5% WER0.0% WER (100% Exact Match)

Why Champion v10 Outperforms Gemini 2.5 Pro

  1. Multi-Codec Telephony Augmentation: Telephony speech loses frequencies above 3.4 kHz. Champion v10 was trained with on-the-fly 8 kHz G.711 resampling and pitch/speed jitter, eliminating acoustic ambiguity in low-bandwidth cellular environments.
  2. Zero-Loop Decoding Guard: Intercepts greedy autoregressive absorbing loops on repetitive date/numeral sequences and utilizes length-normalized multi-beam search.
  3. Sorani Spoken-to-Written Mapping: Aligned on colloquial-to-literary formal mappings (e.g., spoken second-person singular دەتوانی vs canonical literary دەتوانیت), matching standard Kurdish literary orthography.
  4. Full Sorani Orthographic Harmonizer: Handles Zero-Width Non-Joiner (ZWNJ) clitic boundaries, compound preverbs (دە-, بە-, بێ-), and izafe grammatical endings.

📊 Large-Scale Benchmark: 800-Clip Asosoft Gold Testset

Evaluated on the held-out 800-clip Asosoft Gold Testset across 8 native speakers (4 Male, 4 Female) spanning 11 diverse semantic domains:

SpeakerGenderClipsRaw WER (%)Harmonized WER (%)Character Error Rate (CER)Exact Match Sentences
Sp1Male10013.46%13.33%1.70%39 / 100 (39.0%)
Sp2Male10015.91%15.78%2.50%31 / 100 (31.0%)
Sp3Male10014.68%14.56%2.31%35 / 100 (35.0%)
Sp4Male10014.46%14.33%2.03%31 / 100 (31.0%)
Sp5Female1009.34%9.33%1.07%55 / 100 (55.0%)
Sp6Female10016.02%15.89%2.43%33 / 100 (33.0%)
Sp7Female10016.69%16.67%4.66%38 / 100 (38.0%)
Sp8Female10011.57%11.44%1.54%43 / 100 (43.0%)
OVERALLBalanced80014.02%13.92%2.28%305 / 800 (38.12%)
  • Peak Female Performance: Speaker 5 achieved 9.33% WER and 1.07% CER with 55% exact matches.
  • Peak Male Performance: Speaker 1 achieved 13.33% WER and 1.70% CER.
  • Total Exact Sentence Matches: 305 of 800 sentences transcribed with 100% character-level accuracy.

🔬 Progressive 4-Tier Training Curriculum

Champion v10 was trained via an end-to-end curriculum:

  1. Tier 1: Multi-Acoustic SFT:
    • Trained on 197,000 clips (171.4 hours) across diverse acoustic distributions (studio recordings, broadcasts, street noise, telephony).
  2. Tier 2: Precision Canonical SFT:
    • Fine-tuned on 31,700 canonical clips strictly enforcing Zero-Width Non-Joiner (ZWNJ) orthographic boundaries and grammatical prefixes (دە-, بە-, بێ-). Loss reached 0.2871.
  3. Tier 3: Contrastive DPO 2.0:
    • Aligned over 1,000 optimization steps using hard contrastive pairs penalizing auditory hallucination, vowel lengthening (یی vs ی), and morphological fusion.
  4. Tier 3.5: Super-Gemini DPO 3.0 & Telephony Augmentation:
    • Aligned across 5,500 hard-negative dialectal pairs with on-the-fly 8 kHz G.711 low-pass telephony filter and temporal jitter. Model fully surpassed Gemini 2.5 Pro and Scribe v2.

🚀 Quickstart & Usage

1. Installation

git clone https://huggingface.co/hawzhin/Kurdish-OmniASR-7B-Champion
cd Kurdish-OmniASR-7B-Champion
pip install -r requirements.txt

2. Transcribe Single Audio Clip

python transcribe.py --audio sample.wav

3. Long-Form Audio & Podcast Transcription with Subtitles

Automatically segments audio using Voice Activity Detection (VAD) and produces SubRip (.srt) and WebVTT (.vtt) subtitles:

python transcribe.py --audio podcast.mp3 --long_form --output_srt podcast.srt --output_vtt podcast.vtt

4. Python API Inference

from transcribe import build_pipeline, normalize_kurdish_speech, harmonize_kurdish_orthography

pipeline = build_pipeline(
    checkpoint_path="kurdish_omniasr_7b_v10_champion.pt",
    tokenizer_path="omniASR_tokenizer_written_v2.model",
    device="cuda:0"
)

# Transcribe audio file
preds = pipeline.transcribe(["sample.wav"], lang=["ckb_Arab"])
clean_text = harmonize_kurdish_orthography(normalize_kurdish_speech(preds[0]))
print("Transcript:", clean_text)

5. OpenAI-Compatible FastAPI Microservice (In-VRAM Serving)

Start the high-performance daemon on your GPU server:

python server.py --port 8000

Connect using the standard OpenAI client or curl (compatible with MoneyPrinterTurbo, WebUIs, and video tools):

from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="dummy")

# Transcribe with millisecond word timestamps
res = client.audio.transcriptions.create(
    model="kurdish-omniasr-7b",
    file=open("podcast.mp3", "rb"),
    response_format="verbose_json"
)
print("Transcript:", res.text)
for w in res.words:
    print(f"[{w.start}s -> {w.end}s] {w.word}")

Export Karaoke .ass animated subtitles for video editing:

curl -X POST http://localhost:8000/v1/audio/transcriptions   -F 'file=@podcast.mp3'   -F 'response_format=ass' > subtitles.ass

📜 Citation & License

  • License: Apache 2.0
  • Architecture: Wav2Vec2-BERT + Llama-7B Foundation ASR
  • Primary Language: Central Kurdish / Sorani (ckb, ckb_Arab)
  • Central Kurdish ASR Foundation Research (2026).\n

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура wav2vec2_llama неизвестна transformers в образе рантайма.

Класс архитектуры
Wav2Vec2LlamaForConditionalGeneration
Ревизия весов
c6b874d

0 моделей