/ Модель

Характеристики

Параметры
365 млн
Архитектура
t5 · dense
Библиотека
transformers
Опубликована
28 мар 2026

rubai-corrector-transcript-uz

Генерация текстаТекст → текст5 профессий

ByT5-модель для исправления и форматирования узбекских и смешанных узбекско-русских транскриптов после ASR.

102скачиваний за 30 дней1лайквеса обновлены29 мар 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

rubai-corrector-transcript-uz — модель Сардора Исломова и Даврона Иброхимова для нормализации текста после распознавания речи. Она построена на архитектуре ByT5 и дообучена на базе rubai-corrector-base, которая основана на google/byt5-small. Модель принимает текст с префиксом «correct: » и преобразует построчные результаты ASR в текст, удобный для чтения.

Модель расставляет пунктуацию и прописные буквы, нормализует апострофы, исправляет отдельные ошибки ASR и OCR, восстанавливает русский текст, записанный латиницей, и обрабатывает смешанные узбекско-русские строки. Также она поддерживает отдельные шаблоны преобразования чисел. Предназначена прежде всего для результатов моделей islomov/rubaistt_v2_medium и Kotib/uzbek_stt_v1. Репозиторий содержит веса в формате safetensors, модель насчитывает 364,6 млн параметров. Сведения о лицензии и длине контекста отсутствуют в предоставленных данных.

Модель лучше подходит для подготовки отображаемых транскриптов, чем для точного сохранения исходной расшифровки без правок: она может добавлять финальную точку, даже если в исходном тексте её не было. Она не оптимизирована для агрессивной денормализации или некоторых смешанных скриптовых форматов. Условия лицензии по имеющимся данным определить нельзя.

Сценарии применения

  • расстановка пунктуации и регистра в узбекских транскриптах
  • нормализация апострофов в распознанном узбекском тексте
  • исправление ошибок распознавания речи и OCR
  • восстановление русского текста, записанного латиницей
  • очистка смешанных узбекско-русских строк после ASR
  • преобразование отдельных числовых выражений в транскриптах

Ограничения

Модель ориентирована на подготовку отображаемых транскриптов и может добавлять финальную точку, отсутствовавшую в исходнике; она не оптимизирована для дословного сохранения текста или агрессивной денормализации. Для инференса требуется префикс «correct: ».

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

rubai-corrector-transcript-uz

Transcript-display normalization model for Uzbek ASR output with mixed Uzbek/Russian support. Built on ByT5 architecture.

This is the transcript-display variant of the rubai-corrector model family. For the fine-tuning foundation checkpoint, see rubai-corrector-base.

Authors

This checkpoint is tuned for:

  • display-ready punctuation and casing
  • apostrophe normalization
  • OCR / ASR typo cleanup
  • Latin Russian -> Cyrillic Russian recovery
  • mixed Uzbek/Russian transcript cleanup
  • selected text-to-number normalization patterns

Intended Use

Use this model after ASR to convert noisy transcript text into better display text.

It is best for:

  • Rubai-style Uzbek ASR postprocessing
  • Uzbek display text cleanup
  • mixed Uzbek/Russian lines where Russian appears in Latin transcription

Primary upstream ASR models this normalizer is intended to follow within the same Rubai model family:

The model is focused on line-level transcript outputs that look like the text produced by those ASR models.

It is not optimized for:

  • literal no-edit transcript preservation
  • noisy Gemini-style mixed-script metadata targets with forced Cyrillic inside Uzbek morphology
  • aggressive general denormalization beyond the transcript-display objective

Model Family

ModelUse Case
rubai-corrector-baseFine-tuning base for new correction tasks
rubai-corrector-transcript-uz (this model)ASR transcript display normalization, mixed Uzbek/Russian

Both models share the same ByT5 architecture. This variant is fine-tuned from the base with additional transcript-display objectives.

Quick Start

from transformers import AutoModelForSeq2SeqLM, AutoTokenizer

model_path = "islomov/rubai-corrector-transcript-uz"

tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForSeq2SeqLM.from_pretrained(model_path)

text = "bugun yaxshi kun. segodnya xoroshiy den."
inputs = tokenizer(f"correct: {text}", return_tensors="pt")
output_ids = model.generate(**inputs, max_new_tokens=256)
prediction = tokenizer.batch_decode(output_ids, skip_special_tokens=True)[0]
print(prediction)

Expected output:

Bugun yaxshi kun. Сегодня хороший день.

Real Example Outputs

The examples below are taken from this exact checkpoint's saved eval/test outputs.

Abbreviations / shorthand

Input:     tlefon rqami
Output:    Telefon raqami
Input:     telefon rqami qaysi
Output:    Telefon raqami qaysi

Apostrophes

Input:     ozbekiston gozal mamlakat bolgan
Output:    O'zbekiston go'zal mamlakat bo'lgan
Input:     men ozim kordim
Output:    Men o'zim ko'rdim.

OCR / ASR noise

Input:     0zbekiston Respub1ikasi
Output:    O'zbekiston Respublikasi
Input:     5alom dostlar
Output:    Salom do'stlar

Numbers

Input:     uchrashuv o'n beshinchi yanvar kuni
Output:    Uchrashuv 15-yanvar kuni
Input:     narxi yigirma besh ming so'm
Output:    Narxi 25 000 so'm

Mixed Uzbek + Russian

Input:     bugun yaxshi kun. segodnya xoroshiy den.
Output:    Bugun yaxshi kun. Сегодня хороший день.
Input:     men bozorga bordim. tam ya kupil xleb.
Output:    Men bozorga bordim. Там я купил хлеб.

Russian only

Input:     segodnya xoroshaya pogoda
Output:    Сегодня хорошая погода
Input:     privet kak dela
Output:    Привет как дела

Mixed script

Input:     privet kak делa
Output:    Привет как дела
Input:     zaklad bersa keyin gaplashamiz
Output:    Заклад bersa keyin gaplashamiz

Display-text cleanup

Input:     mustahkamlik sinovida spark boshqa avtomobillarni ortda qoldirdi.
Output:    Mustahkamlik sinovida Spark boshqa avtomobillarni ortda qoldirdi.
Input:     kadrlarda kranning mashina old oynasi ustiga qulaganligini ko'rish mumkin
Output:    Kadrlarda kranning mashina old oynasi ustiga qulaganligini ko'rish mumkin.

Known Tradeoff

This model is more display-oriented than the previous base.

That means:

  • it is better at final punctuation and finished-sentence formatting
  • it may add a final period in places where an old reference omitted it

Files

  • test_model.py small runnable example/test script for local use and HF packaging

How This Model Was Trained

This model is fine-tuned from rubai-corrector-base (which itself is built on google/byt5-small).

The fine-tuning added transcript-display objectives on top of the base correction capabilities:

  • Uzbek transcript/display pairs from ASR output
  • Russian recovery pairs from Latin-script ASR output
  • Punctuation and formatting polish data

The model expects the correct: instruction prefix at inference time.

Acknowledgements

Special thanks to Davron Ibrokhimov for sponsoring this work and making it possible to keep these models open.

Thank you to the community that supports Uzbek language technology. In particular:

  • MetaSell for support and resources
  • Kotib for their support and collaboration on Uzbek STT
  • Global Move for backing open Uzbek NLP work

Thanks to Arofat, Gulimshaxnoz, and many others who contributed in ways big and small. The list is too long to fit here, but every contribution matters and is appreciated.

Support my works and open-source movement: https://tirikchilik.uz/islomovs

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
T5ForConditionalGeneration
Ревизия весов
4a9b7f6

0 моделей