/ Модель

Характеристики

Параметры
1,3 млрд
Лицензия
CC BY 4.0
Архитектура
wav2vec2 · dense
Базовая модель
mms-1b-all
Опубликована
19 июн 2026

fonbench-mms-1b-fon-ft

Распознавание речиАудио → текст3 профессии

Модель Wav2Vec2, дообученная для транскрибации устной речи на языке фон.

42скачиваний за 30 дней1лайквеса обновлены19 июн 2026

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.

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

FonBench MMS-1b Fon — модель автоматического распознавания речи на языке фон, разработанная Инес Ассия Хункупону из ESGIS Bénin. Это дообученная на всём наборе параметров версия facebook/mms-1b-all с архитектурой Wav2Vec2ForCTC и примерно 1 млрд параметров. Модель предназначена для транскрибации записанной речи на фон; её можно использовать в образовательных и исследовательских проектах, а также как компонент систем документирования, субтитров и доступности. Лицензия — CC-BY-4.0.

Модель обучена на наборе alaleye/fon: записи монофонические, с частотой 16 кГц, преимущественно чистые студийные, прочитанные или полуспонтанные. В тестировании на дикторах, не встречавшихся при обучении, показаны WER 19,27% и CER 6,02%. Модель выводит строчные символы и не восстанавливает надёжно тоновые различия, отсутствующие в орфографии обучающих данных. Качество может снижаться на региональных вариантах, шумной или дальней речи и при переключении между фоном и французским; результаты не следует использовать в критически важных медицинских или юридических сценариях без независимой проверки.

Сценарии применения

  • транскрибация чистых записей речи на языке фон
  • создание субтитров для аудио и видео на языке фон
  • подготовка текстовых расшифровок для документирования языка фон
  • распознавание речи на фон в образовательных проектах
  • дообучение распознавателя речи на специализированных корпусах фона

Ограничения

Обучение основано на небольшом корпусе чистых студийных записей; качество может снижаться на шумной, дальней, диалектной речи и при переключении между фоном и французским. Тоновые различия не восстанавливаются надёжно, а медицинское и юридическое применение требует независимой проверки.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

FonBench MMS-1b Fon — Full Fine-Tuning (FT-2)

This model is the best-performing ASR model of the FonBench benchmark for the Fon language (tonal Gbe language of Benin, ~8M speakers), obtained by full fine-tuning of facebook/mms-1b-all.

Model Description

  • Developed by: Inès Assia HOUNKPONOU (ESGIS Bénin)
  • Model type: Automatic Speech Recognition (Wav2Vec2 + CTC head)
  • Language: Fon (fon, ISO 639-3)
  • License: CC-BY-4.0
  • Finetuned from model: facebook/mms-1b-all
  • Architecture: Wav2Vec2ForCTC (encoder-only with CTC head)
  • Parameters: 967M (all trained)

Intended Uses

Direct use

  • Transcription of recorded Fon speech in conditions similar to the training corpus (read or semi-spontaneous speech, studio-quality audio at 16 kHz).
  • Educational and research applications related to Fon language technology.
  • Component in pipelines for documentation, sub-titling, or accessibility tools targeting Fon speakers.

Downstream use

  • Further fine-tuning on domain-specific Fon corpora (broadcast news, conversational speech, medical, legal, etc.).
  • Use as a teacher model for distillation to smaller architectures.
  • Adaptation to closely related Gbe languages (ewe, mina, gen) as a transfer learning starting point.

Out-of-scope use

  • ⚠️ Not suitable for highly noisy or far-field audio (training was on clean studio recordings).
  • ⚠️ Not suitable for spontaneous code-switched speech (Fon-French mixing), as the training corpus contains primarily monolingual Fon utterances.
  • ⚠️ Not suitable for other Gbe or African languages without further adaptation.
  • ⚠️ Not suitable for safety-critical applications (medical transcription, legal evidence, etc.) without independent validation by native speakers.

How to Use

from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import torch, librosa

model = Wav2Vec2ForCTC.from_pretrained("inesassia/fonbench-mms-1b-fon-ft")
processor = Wav2Vec2Processor.from_pretrained("inesassia/fonbench-mms-1b-fon-ft")

# Audio must be 16 kHz mono
audio, sr = librosa.load("audio.wav", sr=16000)

inputs = processor(audio, sampling_rate=16000, return_tensors="pt")
with torch.no_grad():
    logits = model(inputs.input_values).logits
pred_ids = torch.argmax(logits, dim=-1)
transcription = processor.batch_decode(pred_ids)[0]
print(transcription)

Training Details

Training data

  • Dataset: alaleye/fon (CC-BY-4.0)
  • Total corpus size: 10,402 examples
  • Speakers: 27 unique speakers
  • Training split: 5,488 examples, 20 speakers
  • Validation split: 1,373 examples (random 80/20 split of train, same speakers)
  • Test split: 3,541 examples, 7 unseen speakers (strict speaker stratification between train+val and test)
  • Speech characteristics: Read and semi-spontaneous speech, studio-quality audio at 16 kHz mono

Training procedure

Preprocessing

  • Audio resampled to 16 kHz mono.
  • Tokenizer with a vocabulary of 53 characters specific to Fon (constructed from the corpus).

Hyperparameters

HyperparameterValue
StrategyFull fine-tuning
OptimizerAdamW (8-bit, bitsandbytes)
Learning rate5e-5
LR schedulerLinear with warmup (warmup_ratio=0.1)
Batch size (per device)2
Gradient accumulation steps8
Effective batch size16
Epochs3 (early stopping triggered)
Early stopping patience2
Precisionfp16 mixed precision
Gradient checkpointingEnabled
Random seed42

Compute infrastructure

  • Hardware: Single NVIDIA T4 GPU (16 GB), Google Colab
  • Training duration: ~2 hours
  • Total parameters trained: 966,679,987 (100%)

Experiment tracking

All training runs are logged on Weights & Biases: FonBench project

Evaluation

Testing data

  • Test set of 3,541 examples from the alaleye/fon dataset.
  • 7 unseen speakers: antoine, cyrielle, frejus, helmut, melissa, miguel, mikael.
  • Strict speaker stratification: no overlap with training or validation speakers.

Metrics

  • WER (Word Error Rate): standard ASR metric measuring word-level errors.
  • CER (Character Error Rate): sub-word reliability metric.

Results

MetricValue
WER (test)19.27 %
CER (test)6.02 %
Loss (test)0.207

Comparison with the FonBench benchmark

ConfigurationStrategyParams trainedWERCER
MMS-1b zero-shotNone083.44 %31.88 %
LoRA-1LoRA r=82.0M (0.21%)32.20 %9.08 %
LoRA-2LoRA r=327.9M (0.82%)28.75 %8.18 %
FT-1Full FT (LR 1e-5)967M (100%)24.32 %7.17 %
This model (FT-2)Full FT (LR 5e-5)967M (100%)19.27 %6.02 %

Result: This model achieves a 64.2-point WER reduction compared to zero-shot baseline.

Limitations and Biases

Linguistic limitations

  • Tonal information is not captured: The training corpus does not include systematic tonal marking (no combining diacritics such as \u0300, \u0301). Tonal distinctions are partially expressed through IPA vowel variants (ɔ, ɛ, ɖ) but the model has no explicit way to recover tonal contrasts not encoded in the orthography. Word-level tonal disambiguation is therefore not reliable with this model.
  • Limited dialectal coverage: The dataset focuses on specific varieties of Fon. Performance on regional dialects or non-standard speech may be substantially lower.
  • Code-switching not supported: Fon-French code-switching, common in everyday spoken Fon in Benin, is not represented in the training data.

Data limitations

  • Corpus size: 5,488 training examples is modest by ASR standards.
  • Acoustic conditions: The corpus consists primarily of clean, studio-quality recordings. Performance on noisy, far-field, or low-quality audio will degrade.
  • Speaker diversity: 20 training speakers limit acoustic diversity. Generalization to populations with different age groups, accents, or social registers may be limited.
  • Validation set: The validation split shares speakers with the train split (random 80/20 of train, no speaker stratification between train and validation). The test set, however, contains 7 strictly unseen speakers, which guarantees scientific validity of the reported metrics.

Architectural limitations

  • The Wav2Vec2 + CTC architecture assumes monotonic alignment between audio and text, which is suitable for transcription but not for translation or paraphrasing.
  • The model produces lowercase characters only (matching the corpus convention). Post-processing is required if uppercase or punctuation reconstruction is needed.

Bias considerations

  • Speaker bias: Most training speakers are likely adult speakers from urban areas of Benin. Performance on speakers from other demographics (children, elderly, rural speakers) has not been formally evaluated.
  • Gender balance: The gender distribution of speakers in the corpus has not been formally analyzed and may introduce performance disparities.

Environmental Impact

  • Hardware Type: NVIDIA T4 GPU
  • Hours used: ~2 hours
  • Cloud Provider: Google Colab
  • Carbon Emitted: Not formally measured. Approximate estimate based on the ML CO2 Impact calculator: ~0.15-0.25 kg CO2eq.

Citation

If you use this model, please cite:

@mastersthesis{hounkponou2026fonbench,
  title={Evaluation and adaptation of automatic speech recognition models for the Fon language},
  author={Hounkponou, Inès Assia},
  school={ESGIS Bénin},
  year={2026}
}

Resources

Acknowledgements

This work was supervised by Prof. Fréjus LALEYE at ESGIS Bénin. The author thanks the alaleye/fon dataset providers for their contribution to Fon language resources, and the MMS team at Meta AI for releasing the multilingual pre-trained model that served as the foundation for this work.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
018b001

0 моделей