/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Библиотека
icefall
Опубликована
10 окт 2026

zipformer-large-causal-sggs-ncer-train-107387-epochs-50-test-1569

Распознавание речиАудио → текст

Zipformer-large распознаёт пенджабскую речь, включая декламацию Gurbani, и предназначен для запуска через icefall.

0скачиваний за 30 дней0лайковвеса обновлены10 окт 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

Модель jssaluja — система распознавания речи на архитектуре Zipformer-large transducer из библиотеки icefall, обученная с нуля на частной коллекции аудиозаписей на пенджаби, включающей Gurbani. В карточке указано около 151,2 млн параметров и обучение на 107 387 примерах; для токенизации используется SentencePiece с размером словаря 1000.

Модель предназначена для распознавания Gurbani и общей речи на пенджаби. На тестовом наборе из 1569 примеров заявлены WER 0,5329 и CER 0,2170. Чекпойнт представлен как state dict model.pt и SentencePiece-модель bpe.model; для загрузки требуется icefall Zipformer, он не совместим напрямую с Transformers pipeline. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Сценарии применения

  • распознавание декламации Gurbani на пенджаби
  • перевод пенджабской речи в текст
  • транскрибирование записей на пенджаби
  • распознавание пенджабской речи в аудиоколлекциях

Ограничения

На тестовом наборе указана высокая ошибка: WER 0,5329. Для запуска нужен icefall Zipformer; модель не загружается напрямую через Transformers pipeline, а коммерческое использование запрещено лицензией.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

jssaluja/zipformer-large-causal-sggs-ncer-train-107387-epochs-50-test-1569

This model is a Zipformer transducer (icefall zipformer size large) trained from scratch on private Punjabi Gurbani speech. It achieves the following results on the evaluation set:

  • Loss: 2.0341
  • Wer: 0.5329
  • Wil: 0.7453
  • Mer: 0.5183
  • Cer: 0.2170
  • Ncer: 0.1884
  • Ccer: 0.2389

Model description

  • Architecture: icefall Zipformer large transducer, 151,203,546 parameters
  • train_scope: verse_only
  • best_model_metric: ncer (0.18823617788461539 at epoch 48)
  • smoke_test: False
  • train rows: 107387
  • test rows: 1569
  • Checkpoint selection uses full-dev greedy decode, not a subsample.

Intended uses & limitations

Punjabi Gurbani and general-Punjabi ASR. Not a transformers CTC checkpoint; load model.pt with the icefall Zipformer used to train it.

Inference

model.pt is the Zipformer state dict and bpe.model is the SentencePiece model trained with it (vocab 1000, blank id 0). This is not a transformers checkpoint, so pipeline() will not load it. Greedy CTC on the auxiliary head is the decode used for the CER numbers above.

pip install torch torchaudio sentencepiece lhotse datasets huggingface_hub soundfile
git clone https://github.com/k2-fsa/icefall
import torch, sentencepiece as spm
from huggingface_hub import hf_hub_download
repo = 'jssaluja/zipformer-large-causal-sggs-ncer-train-107387-epochs-50-test-1569'
weights = hf_hub_download(repo, 'model.pt')
bpe = spm.SentencePieceProcessor(model_file=hf_hub_download(repo, 'bpe.model'))
# build the network with train_zipformer's build_model() from the training
# CLI defaults, then: model.load_state_dict(torch.load(weights, map_location='cpu'))
# 16 kHz mono -> 80-dim Lhotse fbank -> per-utterance mean/std.
# ids = greedy argmax over model.ctc_output(encoder_out), drop blank 0 and repeats.
# text = bpe.decode(ids)

Training and evaluation data

Source collection names are not published.

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.045
  • max_duration: 600.0
  • seed: 20260830
  • optimizer: ScaledAdam with clipping_scale=2.0 and Eden (lr_batches=7500, lr_epochs=3.5)
  • num_epochs: 50
  • mixed_precision_training: Native BF16 AMP

Training results

(table generated directly from epoch-end full-dev history, keyed by metric name -- avoids a transformers model-card column-ordering bug seen in earlier runs. Validation Loss is the training objective on the dev cuts, sum / target tokens, not MMS CTC eval_loss.)

Training LossEpochStepCcerCerValidation LossMerNcerWerWil
4.99131.09220.50900.46783.61580.82930.47040.86370.9650
2.16482.018450.41520.38663.12150.75910.36260.79420.9317
1.96893.027660.37830.35003.06540.72370.31850.77050.9126
1.83974.036870.36040.33482.88580.70440.30500.74640.8998
1.77085.046090.37990.35152.97380.71900.32760.73990.9063
1.71126.055320.36040.33012.77080.68610.31000.71520.8863
1.66297.064540.34590.31932.72440.68440.28930.71250.8856
1.62688.073760.33360.30582.67670.65700.27740.69180.8664
1.60269.082980.32610.30072.61660.63730.27050.67040.8493
1.588910.092200.33100.30522.74330.65650.27310.68890.8650
1.609211.0101410.35110.32632.84640.68280.29220.70400.8822
1.642012.0110620.32920.30402.67600.65300.27760.68180.8623
1.638713.0119840.30910.28342.55780.63040.25360.65760.8458
1.608914.0129050.33370.30612.65080.64450.27900.67140.8553
1.578615.0138280.30650.28162.55930.62300.25700.65550.8401
1.554616.0147510.32440.29862.64850.63530.27640.65240.8461
1.521117.0156740.32600.29962.78980.64380.27490.68140.8562
1.483418.0165960.31610.28932.65750.62970.26480.65120.8444
1.450619.0175170.30260.27652.53750.61810.24720.63930.8358
1.438720.0184400.30380.27972.55000.61790.25460.63950.8340
1.405221.0193610.29120.26552.37880.59260.23960.61190.8135
1.383322.0202830.31500.28862.73080.63190.26160.66630.8472
1.352723.0212050.27030.24802.26690.57020.21810.59320.7933
1.327724.0221280.28600.26102.41280.59370.23330.61380.8141
1.311925.0230500.28480.26052.44560.59130.23000.62110.8135
1.288926.0239710.30200.27882.65160.61450.24690.63680.8310
1.274327.0248920.27090.24742.29530.57560.21750.60000.7994
1.249828.0258140.28530.26142.36890.58920.23610.61090.8098
1.239429.0267360.27300.25082.23710.57000.22560.59480.7933
1.217430.0276590.27370.25092.22420.56760.22730.58670.7898
1.206031.0285800.27370.25082.35980.57110.22310.59280.7941
1.187332.0295020.27150.24732.32180.56800.22500.59070.7920
1.164233.0304250.26530.24262.25980.55640.21790.58550.7812
1.150334.0313470.26880.24432.31090.56220.22750.58350.7874
1.135235.0322690.26980.24662.28910.55920.22610.57580.7822
1.118836.0331900.26120.23892.19980.55830.21290.58280.7828
1.104837.0341130.25010.22872.07420.53190.20810.55020.7568
1.095738.0350350.26840.24742.25690.56820.21780.59490.7924
1.078239.0359570.24670.22292.03620.52070.20720.53690.7473
1.062340.0368780.24820.22582.04780.53390.20260.55030.7601
1.051041.0378000.24720.22562.10330.53360.19940.55250.7601
1.040142.0387230.25100.22892.08890.52830.20510.55320.7534
1.031043.0396460.24100.21992.04500.52660.19030.55030.7540
1.011344.0405690.24930.22732.13640.52980.20200.54770.7561
1.011145.0414900.24890.22772.26510.53980.19660.56380.7669
0.994746.0424120.25160.22892.11890.53490.20660.55020.7606
0.982347.0433340.25130.22882.05680.52890.20570.54630.7550
0.968648.0442560.23460.21511.96130.51070.18820.52960.7365
0.960249.0451780.23660.21572.05970.51880.18930.53690.7451
0.947850.0461000.23890.21702.03410.51830.18840.53290.7453

Framework versions

  • Pytorch 2.12.0+cu126
  • icefall 6fd674312c1d87bd9fc888d623cb3e347ac019ff

Как запустить

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

GPU в ailist

Универсальный рантайм · icefall

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
fcdab28

0 моделей