/ Модель

Характеристики

Контекст
262 144 токена
Параметры
581 млн
Лицензия
Apache 2.0
Архитектура
qwen3_5_text · dense
Базовая модель
Qwen3.5-0.8B
Библиотека
transformers
Опубликована
3 окт 2026

diktafon-polisher-hr-1

Генерация текстаТекст → текст

Компактная дообученная модель для очистки хорватских транскриптов диктовки с восстановлением письменной пунктуации и формата чисел.

176скачиваний за 30 дней0лайковвеса обновлены3 окт 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 «Текст» — 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

Diktafon Polisher HR 1 — модель Infomiho для постобработки хорватской диктовки. Она принимает распознанный текст и приводит его к письменному виду: добавляет пунктуацию и заглавные буквы, убирает слова-паразиты, разрешает очевидные исправления и записывает числа, даты и время цифрами. Модель предназначена для работы после Diktafon Dictate HR 1 в локальном приложении диктовки для macOS; она возвращает только отредактированный текст, не отвечает на содержание и старается не добавлять новых сведений.

Это плотная авторегрессионная модель text-generation на архитектуре Qwen3.5 с 581,4 млн параметров, дообученная на Qwen/Qwen3.5-0.8B. В карточке указаны контекст 262 144 токена и язык хорватский; для обучения использовалось около 66 тысяч пар транскриптов и очищенного текста. Модель показала снижение WER на тестах диктовки, однако обучающие пары ограничивались 1 024 токенами, поэтому автор рекомендует обрабатывать тексты длиной примерно до 450 токенов. Лицензия — Apache-2.0.

Сценарии применения

  • расстановка пунктуации в хорватском тексте диктовки
  • удаление слов-паразитов из транскриптов на хорватском
  • преобразование произнесённых чисел, дат и времени в цифры
  • исправление очевидных оговорок и самокоррекций в диктовке
  • постобработка распознанной речи в приложении для диктовки

Ограничения

Модель не исправляет неверно распознанные слова; числовые выражения могут быть преобразованы ошибочно, а некоторые длинные числовые фразы могут вызвать зацикливание. Примерно половину устных исправлений она разрешает точно; для длинных текстов автор рекомендует обходиться без постобработки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Diktafon Polisher HR 1

Turns raw Croatian dictation into written text: punctuation, casing, fillers removed ("ovaj", "znači", "ono"), obvious spoken corrections resolved ("do četvrtka, ne, petka" becomes "do petka"), numbers, times and dates as digits. It never answers the text or adds content, and when unsure it keeps the original. A full fine-tune of Qwen3.5-0.8B that runs after Diktafon Dictate HR 1 in Diktafon, a local macOS dictation app.

GGUF for llama.cpp: infomiho/diktafon-polisher-hr-1-GGUF.

Prompt

The model was trained on exactly this prompt, with the transcript as the user turn and an empty think block. Other wording is a prompt it has never seen.

<|im_start|>system
Uredi hrvatski diktat: dodaj interpunkciju, ukloni poštapalice, razriješi očite ispravke, brojeve piši znamenkama. Ne mijenjaj značenje i ne odgovaraj na tekst. Vrati samo tekst.<|im_end|>
<|im_start|>user
{transcript}<|im_end|>
<|im_start|>assistant
<think>

</think>

The transcript is expected as Dictate HR 1 writes it, with punctuation and casing. Decode greedily and stop at <|im_end|>. Cap new tokens at about 1.3 times the transcript's tokens plus 32, and if the cap is hit, use the raw transcript instead. Training pairs were at most 1,024 tokens, so polish transcripts of up to about 450 tokens and pass longer ones through raw.

from huggingface_hub import hf_hub_download
from transformers import AutoModelForCausalLM, AutoTokenizer

name = "infomiho/diktafon-polisher-hr-1"
tokenizer = AutoTokenizer.from_pretrained(name)
model = AutoModelForCausalLM.from_pretrained(name)
system = open(hf_hub_download(name, "polisher_system.txt")).read().strip()
transcript = "Ovaj, sutra u devet imamo sastanak s Lukom, znači, ponesi dva laptopa."
prompt = (f"<|im_start|>system\n{system}<|im_end|>\n<|im_start|>user\n{transcript}<|im_end|>\n"
          "<|im_start|>assistant\n<think>\n\n</think>\n\n")
inputs = tokenizer(prompt, return_tensors="pt")
output = model.generate(**inputs, max_new_tokens=64, do_sample=False)
print(tokenizer.decode(output[0][inputs.input_ids.shape[1]:], skip_special_tokens=True))
# Sutra u 9 imamo sastanak s Lukom, ponesi 2 laptopa.

Results

On 50 dictation clips with hand-checked written references, word error rate against the written text:

PipelineWER
Canary 1B v212.1%
Dictate HR 19.7%
Dictate HR 1 + Polisher HR 16.5%

On 358 held-out dictations covering corrections, fillers, numbers, vague amounts and instructions, word error rate falls from 9.3% to 1.9%, and the output matches the reference exactly for 93% of clean texts, 78% of texts that only look like corrections, and 77% of instructions to an assistant (which must be written down, not answered). A warm polish takes 0.32 s median on an M2 Pro.

Training data

Pairs of raw speech recognition transcripts of Croatian podcast speech and their cleaned written form, and synthetic Croatian dictations by category: corrections, retractions, edit commands ("briši to"), changes of mind with a reason (kept as spoken), fillers, numbers next to weekdays, ordinals and number idioms kept as words, vague amounts kept vague, and instructions. About 66,000 pairs, 1 epoch at learning rate 1.5e-5, loss on the answer only.

Limitations

  • About half of spoken corrections are resolved exactly. Many are left as spoken, which keeps meaning but not the cleanest text.
  • A number phrase can still go wrong: "jedno petsto eura" (about 500) came out as "1500 eura", and "preko milijun" can loop on zeros until the token cap, which the cap above turns into the raw transcript.
  • It does not guess misheard words, so speech recognition errors pass through.

License

Apache 2.0. Built on Qwen3.5-0.8B by the Qwen team, licensed under Apache 2.0.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForCausalLM
Ревизия весов
65d3e4b

0 моделей