/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2-bert · dense
Базовая модель
w2v-bert-2.0
Опубликована
29 июл 2026

w2v-bert-2.0-lang-id-lug-sna-lin-xog

Классификация текстаТекст → label3 профессии

Классификатор определяет, говорят ли в коротком аудиофрагменте на лугандском, шона, лингала или лусога, чтобы направить запись в подходящую систему распознавания речи.

10скачиваний за 30 дней0лайковвеса обновлены10 авг 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 keystats/w2v-bert-2.0-lang-id-lug-sna-lin-xog предназначена для определения языка речи в коротком аудиофрагменте: она относит запись к одному из четырёх классов — луганда, шона, лингала или лусога. Это дообученная на корпусе WAXAL модель facebook/w2v-bert-2.0 с архитектурой Wav2Vec2BertForSequenceClassification и классификационной головой; размер модели — 402,7 млн параметров.

Модель подходит для предварительной маршрутизации аудио к системе распознавания речи для выбранного языка. По данным карточки, точность на разбиениях WAXAL составляет около 99,9%, однако эти результаты не гарантируют такого же качества на записях с другими условиями, говорящими или диалектами. Это закрытый классификатор: он всегда выбирает один из четырёх языков, в том числе для речи на другом языке или неречевого аудио, и не расшифровывает речь.

Модель опубликована под лицензией Apache-2.0.

Сценарии применения

  • определение лугандского языка в аудиозаписи
  • определение шона в речевом фрагменте
  • определение лингала в аудиоклипе
  • определение лусога в записи
  • маршрутизация речи к языковой модели распознавания

Ограничения

Модель всегда выбирает один из четырёх обучающих языков и не распознаёт другие языки или неречевые записи как отдельный класс. Обучение и оценка проводились только на WAXAL, поэтому качество на аудио из других условий записи, с иными говорящими и диалектами может быть ниже.

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

w2v-bert-2.0-lang-id-lug-sna-lin-xog

A spoken language identification (LID) model that classifies short audio clips into one of four languages — Luganda, Shona, Lingala, or Lusoga — fine-tuned from facebook/w2v-bert-2.0 with a sequence classification head, trained on the WAXAL corpus only. This extends the 3-language keystats/w2v-bert-2.0-lang-id-lug-sna-lin family with Lusoga added as a fourth class.

Model description

facebook/w2v-bert-2.0 — a large-scale, multilingual self-supervised speech encoder pretrained with a BERT-style masked prediction objective — is used as the backbone, with a from-scratch audio classification head fine-tuned to predict which of the four languages a given audio clip is spoken in. Like the other LID models in this collection, this model does not transcribe speech — it only outputs a language label.

Training data

SourceRole
google/WaxalNLP — Luganda, Shona, Lingala, Lusoga configstrain splits from all four language configs pooled together (each clip labeled with its language) for training; validation splits pooled together and held out for monitoring

Only WAXAL data was used — no additional community datasets were pooled in, unlike the -best LID variant for the 3-language set.

Training procedure

  • Base model: facebook/w2v-bert-2.0
  • Architecture: Wav2Vec2BertForSequenceClassification (audio classification head over the pretrained encoder), 4 output classes (Luganda, Shona, Lingala, Lusoga)
  • Sample rate: 16 kHz mono
  • Hardware: single RTX PRO 6000

Evaluation results

This model scored ~99.9% accuracy on both the WAXAL validation and test splits, with only a small handful of clips misclassified out of the full evaluation sets.

Note: adding a fourth, more closely related language (Lusoga sits in the same broader Bantu family as Luganda, and the two are more acoustically similar to each other than to Shona or Lingala) makes the classification task somewhat harder than the 3-language case, which likely explains the small gap versus the 3-language model's 100% on WAXAL. As always, treat in-domain WAXAL numbers as an upper bound rather than a guarantee of real-world performance on out-of-domain audio.

How to use

import torch
import librosa
from transformers import Wav2Vec2BertForSequenceClassification, Wav2Vec2BertProcessor

MODEL_ID = "keystats/w2v-bert-2.0-lang-id-lug-sna-lin-xog"
DEVICE = "cuda" if torch.cuda.is_available() else "cpu"

processor = Wav2Vec2BertProcessor.from_pretrained(MODEL_ID)
model = Wav2Vec2BertForSequenceClassification.from_pretrained(MODEL_ID).to(DEVICE).eval()

audio_array, sr = librosa.load("path/to/audio.wav", sr=16000, mono=True)
inputs = processor(audio_array, sampling_rate=16000, return_tensors="pt")
with torch.no_grad():
    logits = model(input_features=inputs.input_features.to(DEVICE)).logits

predicted_id = torch.argmax(logits, dim=-1).item()
predicted_label = model.config.id2label[predicted_id]

print(predicted_label)  # "luganda", "shona", "lingala", or "lusoga"

Intended uses & limitations

  • Intended for identifying which of Luganda, Shona, Lingala, or Lusoga is being spoken in a given audio clip — useful as a pre-processing step to route audio to the correct language-specific ASR model (e.g. the Luganda -main-best or Lusoga -main-best checkpoints in this collection).
  • This is a closed-set 4-way classifier: it will always output one of the four trained languages, even for audio in a different language or non-speech audio. It has no "none of the above" / out-of-domain detection.
  • Trained and evaluated only on WAXAL data — near-perfect validation/test accuracy reflects in-domain WAXAL audio conditions and may not carry over as-is to audio from very different recording conditions, speakers, or dialectal variation.
  • Not a general-purpose language ID model — it only distinguishes between these four specific languages, not the full range of African languages or languages generally.

Citation

If you use this model, please cite the training/fine-tuning work and the underlying dataset:

@misc{keystats_wav2vec2bert_langid_lug_sna_lin_xog,
  title={w2v-bert-2.0-lang-id-lug-sna-lin-xog: A Luganda/Shona/Lingala/Lusoga spoken language identification model fine-tuned from facebook/w2v-bert-2.0},
  author={keystats},
  year={2026},
  howpublished={\url{https://huggingface.co/keystats/w2v-bert-2.0-lang-id-lug-sna-lin-xog}}
}

@misc{waxal,
  title={WAXAL: A Multilingual African Speech Dataset},
  author={Google},
  howpublished={\url{https://huggingface.co/datasets/google/WaxalNLP}}
}

@inproceedings{w2vbert2,
  title={Seamless: Multilingual Expressive and Streaming Speech Translation},
  author={Seamless Communication and others},
  year={2023},
  howpublished={\url{https://huggingface.co/facebook/w2v-bert-2.0}}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Нельзя запустить

Для архитектуры wav2vec2-bert нет загрузчика под задачу text-classification.

Класс архитектуры
Wav2Vec2BertForSequenceClassification
Ревизия весов
6477a29

0 моделей