/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
16 фев 2025

audioX-north-v1

Распознавание речиАудио → текст4 профессии

AudioX-North-v1 — дообученная на базе Whisper модель Jivi AI для распознавания речи на хинди, гуджарати и маратхи.

10скачиваний за 30 дней6лайковвеса обновлены30 июл 2025

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

AudioX-North-v1 — модель автоматического распознавания речи семейства AudioX, разработанного Jivi AI. Это дообученная на базе Whisper модель для транскрибации речи на хинди, гуджарати и маратхи; README также описывает специализированную южноиндийскую версию семейства, но не относит её языки к этому чекпойнту. Модель принимает аудио и выдаёт текст, поддерживает автоматическое определение языка и предназначена для голосовых помощников, транскрибации, автоматизации клиентского обслуживания и создания многоязычного контента.

При обучении применялись контролируемое дообучение, адаптация домена, балансировка языков и добавление шумов. В README заявлена оценка на бенчмарке Vistaar, однако приведённые результаты относятся к AudioX в целом, поэтому их нельзя однозначно приписать варианту North. Чекпойнт опубликован в формате safetensors и распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибация речи на хинди
  • распознавание гуджаратской речи в аудиозаписях
  • распознавание маратхской речи в аудиозаписях
  • расшифровка звонков и обращений клиентов на поддерживаемых языках
  • добавление распознавания речи на индийских языках в голосового помощника

Ограничения

Поддержка языков ограничена хинди, гуджарати и маратхи; показатели бенчмарка в README приведены для семейства AudioX и не выделены отдельно для варианта North.

Для каких профессий подходит4

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

AudioX: Multilingual Speech-to-Text Model

AudioX is a state-of-the-art Indic multilingual automatic speech recognition (ASR) model family developed by Jivi AI. It comprises two specialized variants—AudioX-North and AudioX-South—each optimized for a distinct set of Indian languages to ensure better accuracy. AudioX-North supports Hindi, Gujarati, and Marathi, while AudioX-South covers Tamil, Telugu, Kannada, and Malayalam. Trained on a combination of open-source ASR datasets and proprietary audio, the AudioX models offer robust transcription capabilities across accents and acoustic conditions, delivering industry-leading performance across supported languages.

Purpose-Built for Indian Languages:

AudioX is designed to handle diverse Indian language inputs, supporting real-world applications such as voice assistants, transcription tools, customer service automation, and multilingual content creation. It provides high accuracy across regional accents and varying audio qualities.

Training Process:

AudioX is fine-tuned using supervised learning on top of an open-source speech recognition backbone. The training pipeline incorporates domain adaptation, language balancing, and noise augmentation for robustness across real-world scenarios.

Data Preparation:

The model is trained on:

  • Open-source multilingual ASR corpora
  • Proprietary Indian language medical datasets,

This hybrid approach boosts the model’s generalization across dialects and acoustic conditions.

Benchmarks:

AudioX achieves top performance across multiple Indian languages, outperforming both open and commercial ASR models. We evaluated AudioX on the Vistaar Benchmark using the official evaluation script provided by AI4Bharat’s Vistaar suite, ensuring rigorous, standardized comparison across diverse language scenarios.

ProviderModelHindiGujaratiMarathiTamilTeluguKannadaMalayalamAvg WER
Jivi AIAudioX12.1418.6618.6821.7924.6317.6126.9220.1
ElevenLabsScribe-v113.6417.9616.5124.8424.8917.6528.8820.6
Sarvamsaarika:v214.2819.4718.3425.7326.8018.9532.6422.3
AI4BharatIndicWhisper13.5922.8418.2525.2728.8218.3332.3422.8
MicrosoftAzure STT20.0331.6227.3631.5331.3826.4541.8430.0
OpenAIgpt-4o-transcribe18.6531.3225.2139.1033.9432.8846.1132.5
GoogleGoogle STT23.8936.4826.4833.6242.4231.4847.9034.6
OpenAIWhisper Large v332.0053.7578.2852.44179.5867.02142.9886.6

🔧 Try This Model

You can easily run inference using the 🤗 transformers and librosa libraries. Here's a minimal example to get started:

from transformers import WhisperProcessor, WhisperForConditionalGeneration
import librosa

# Load model and processor
device = "cuda"
processor = WhisperProcessor.from_pretrained("jiviai/audioX-north-v1")
model = WhisperForConditionalGeneration.from_pretrained("jiviai/audioX-north-v1").to(device)
model.config.forced_decoder_ids = None

# Load and preprocess audio
audio_path = "sample.wav"
audio_np, sr = librosa.load(audio_path, sr=None)
if sr != 16000:
    audio_np = librosa.resample(audio_np, orig_sr=sr, target_sr=16000)

input_features = processor(audio_np, sampling_rate=16000, return_tensors="pt").to(device).input_features

# Generate predictions
# Use ISO 639-1 language codes: "hi", "mr", "gu" for North; "ta", "te", "kn", "ml" for South
# Or omit the language argument for automatic language detection
predicted_ids = model.generate(input_features, task="transcribe", language="hi")

# Decode predictions
transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)[0]
print(transcription)

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
faed2f1

0 моделей