/ Модель

Характеристики

Лицензия
CC BY 4.0
Базовая модель
parakeet-tdt-0.6b-v2
Библиотека
nemo
Опубликована
23 июл 2026

piyola-v2

Распознавание речиАудио → текст

Модель на базе FastConformer для транскрибации узбекской речи латиницей из монофонического аудио.

28скачиваний за 30 дней0лайковвеса обновлены6 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

idrock/piyola-v2 — модель автоматического распознавания узбекской речи, дообученная на основе nvidia/parakeet-tdt-0.6b-v2. Она использует энкодер FastConformer и декодер RNNT/TDT, всего около 617 млн параметров. Английские выходная голова и токенизатор заменены на SentencePiece BPE с узбекским словарём из 1024 токенов. Модель принимает монофоническое аудио с частотой 16 кГц и предназначена для транскрибации узбекской речи латиницей.

Показатели ошибок на тестах различаются в зависимости от аудио: WER составляет около 6% для чистой студийной речи и около 11% для краудсорсинговой речи; на спонтанной или шумной речи качество заметно снижается. Вывод — строчными буквами, без пунктуации и цифр: числа могут быть записаны словами. Модель обучалась на коротких широкополосных записях; для телефонного аудио, длинных или многоголосых записей надёжность не гарантируется. Лицензия — CC BY 4.0.

Сценарии применения

  • транскрибация чистой узбекской речи в студийных записях
  • расшифровка узбекских аудиозаписей с краудсорсинговых платформ
  • создание черновых текстовых расшифровок коротких узбекских записей
  • распознавание узбекской речи в широкополосном аудио 16 кГц

Ограничения

Модель выдаёт только узбекский текст латиницей, строчными буквами, без пунктуации и цифр; качество ухудшается на шумной, спонтанной, многоголосой, дальнепольной и телефонной речи. Она обучалась на коротких широкополосных записях, а приведённые результаты получены при жадном декодировании без языковой модели.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

parakeet-tdt-uz-finetune

Uzbek automatic speech recognition, fine-tuned from nvidia/parakeet-tdt-0.6b-v2 (0.6B-parameter FastConformer encoder with a Token-and-Duration Transducer head).

The English head and tokenizer of the base model are replaced with a purpose-built Uzbek SentencePiece BPE-1024 tokenizer, and the whole model is then fine-tuned for Uzbek speech.

  • Language: Uzbek (Latin script)
  • Sample rate: 16 kHz mono
  • Architecture: FastConformer encoder (608M) + RNNT/TDT decoder (7.2M) + joint (1.7M) — 617M parameters total
  • Vocabulary: 1024 SentencePiece BPE tokens
  • Decoding: greedy batched TDT (durations [0, 1, 2, 3, 4])

Results

All numbers are greedy TDT decoding, no language model, no rescoring. Reference and hypothesis text are normalized identically (lowercase, unified apostrophe, punctuation stripped).

Across benchmarks

BenchmarkUtterancesWERCER
FeruzaSpeech (test)6726.08 %1.05 %
FLEURS (uz, test)65810.67 %2.78 %
uzbek-speech-corpus (test)3,18411.86 %3.22 %
Omnilingual (test)25225.57 %10.10 %

The spread is the point: ~6 % on clean studio read speech, ~11 % on crowdsourced read speech, ~26 % on spontaneous/noisy audio. Pick the row that matches your audio, not the best one. FLEURS is the most useful single number for comparing against other published Uzbek ASR systems.

Comparison against the base model

The base checkpoint is English-only, so it cannot transcribe Uzbek at all — it maps Uzbek phonetics onto English subwords. Measured on the same evaluation set, same decoding:

ModelTest WERTest CER
nvidia/parakeet-tdt-0.6b-v2 (base, zero-shot)105.37 %64.67 %
idrock/parakeet-tdt-uz-finetune12.89 %3.80 %

Base-model WER exceeds 100 % because it inserts more words than the reference contains. For a sense of what that looks like:

REF:  shu o'rinda odam emassiz hayvonsiz desam qo'polligim uchun ranjiysiz
BASE: Shurunda Odami Masas Haivanses Desam Kopaligim Uchundran Jesus.
OURS: shu o'rinda odam emassiz hayvonsiz desam qo'polligim uchun ranjiysiz

Usage

Requires NeMo:

pip install "nemo_toolkit[asr]"
from huggingface_hub import hf_hub_download
from nemo.collections.asr.models import EncDecRNNTBPEModel

path = hf_hub_download("idrock/parakeet-tdt-uz-finetune", "parakeet-tdt-uz-finetune.nemo")
model = EncDecRNNTBPEModel.restore_from(path)
model.eval()

hyps = model.transcribe(["audio.wav"], batch_size=8)
print(hyps[0].text)

Audio must be 16 kHz mono. Resample first if yours is not:

ffmpeg -i input.mp3 -ar 16000 -ac 1 audio.wav

Long files should be chunked — the model was trained on clips of 0.1–20 s and has not been tuned for long-form decoding.

Limitations

  • Latin script only. The model does not output Cyrillic Uzbek.
  • No punctuation or casing. Output is lowercase and unpunctuated. The apostrophe (as in bo'lgan, o'sha) is part of the vocabulary and is produced.
  • No digits. The vocabulary is exactly a-z, apostrophe and space. Numbers are produced as words if at all; the model can never emit 2014.
  • Short-form audio. Trained on 0.1–20 s clips. FeruzaSpeech utterances beyond 20 s showed no meaningful penalty, but that was clean single-speaker read audio — chunk long or multi-speaker recordings rather than relying on this.
  • Narrowband/telephony audio is out of domain. Training audio is wideband 16 kHz. 8 kHz telephony upsampled to 16 kHz (energy cutoff at ~3.4 kHz) degrades badly and is not represented in any number above. Fine-tuning on telephony-band data is required for call-center use.
  • Domain skew. The model performs best on read/crowdsourced speech. Spontaneous, noisy, far-field, or heavily accented speech will degrade — the 25.6 % WER on the Omnilingual slice illustrates this.
  • No language model. Numbers above are greedy decoding; an external LM or beam search would likely improve them.
  • Inherits the biases and failure modes of the parakeet-tdt-0.6b-v2 encoder.

Repository contents

FilePurpose
parakeet-tdt-uz-finetune.nemothe fine-tuned model (load with EncDecRNNTBPEModel.restore_from)
model_config.yamlmodel config extracted from the .nemo, for inspection
tokenizer/SentencePiece BPE-1024 model and vocabulary

License

CC-BY-4.0, inherited from the nvidia/parakeet-tdt-0.6b-v2 base model.

Citation

The base model:

@misc{parakeet-tdt-0.6b-v2,
  title  = {Parakeet TDT 0.6B V2},
  author = {NVIDIA NeMo Team},
  year   = {2025},
  url    = {https://huggingface.co/nvidia/parakeet-tdt-0.6b-v2}
}

The TDT decoder:

@inproceedings{xu2023efficient,
  title     = {Efficient Sequence Transduction by Jointly Predicting Tokens and Durations},
  author    = {Xu, Hainan and Jia, Fei and Majumdar, Somshubra and Huang, He and Watanabe, Shinji and Ginsburg, Boris},
  booktitle = {ICML},
  year      = {2023}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · nemo

Нельзя запустить

Модели NVIDIA NeMo требуют отдельного рантайма.

Ревизия весов
cc69182

0 моделей