/ Модель

Характеристики

Лицензия
CC BY 4.0
Опубликована
7 окт 2025

chunkformer-rnnt-large-vie

Распознавание речиАудио → текст5 профессий

Модель ChunkFormer-RNNT-Large-Vie распознаёт вьетнамскую речь и преобразует аудио в текст.

112скачиваний за 30 дней4лайкавеса обновлены8 окт 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

ChunkFormer-RNNT-Large-Vie — крупная модель автоматического распознавания речи на вьетнамском языке, основанная на архитектуре ChunkFormer и разработанная на базе реализации, представленной на ICASSP 2025. В README указано, что модель дообучена примерно на 5000 часах публичных вьетнамских аудиоданных из разных наборов. Число параметров составляет 113 млн; формат файлов — PyTorch.

Модель предназначена для преобразования вьетнамской речи в текст, включая транскрибацию аудиозаписей и распознавание речи в приложениях. В README приведены результаты WER на Vivos, Common Voice и двух заданиях VLSP 2020; перед сравнением применялась нормализация текста. Модель доступна по лицензии CC BY 4.0. Для использования предлагается библиотека chunkformer.

Сценарии применения

  • транскрибация записей на вьетнамском языке
  • распознавание речи во вьетнамских аудиозаписях
  • создание текстовых расшифровок вьетнамских выступлений
  • автоматическая транскрибация вьетнамской речи в приложениях

Ограничения

Модель ориентирована на вьетнамскую речь; результаты в README измерены на конкретных наборах данных и с применением текстовой нормализации, поэтому они не гарантируют такое же качество на других аудио и условиях записи.

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

ChunkFormer-RNNT-Large-Vie: Large-Scale Pretrained ChunkFormer-RNNT for Vietnamese Automatic Speech Recognition

License: CC BY 4.0 GitHub Paper Model size


Table of contents

  1. Model Description
  2. Documentation and Implementation
  3. Benchmark Results
  4. Usage
  5. Citation
  6. Contact

Model Description

ChunkFormer-RNNT-Large-Vie is a large-scale Vietnamese Automatic Speech Recognition (ASR) model based on the ChunkFormer architecture, introduced at ICASSP 2025. The model has been fine-tuned on approximately 5000 hours of public Vietnamese speech data sourced from diverse datasets.


Documentation and Implementation

The Documentation and Implementation of ChunkFormer are publicly available.


Benchmark Results

We evaluate the models using Word Error Rate (WER). To ensure consistency and fairness in comparison, we manually apply Text Normalization, including the handling of numbers, uppercase letters, and punctuation.

  1. Public Models:
STTModel#ParamsVivosCommon VoiceVLSP 2020 - Task 1VLSP 2020 - Task 2Avg.
1ChunkFormer-RNNT-Large-Vie113M2.495.1812.7520.4710.22
2ChunkFormer-CTC-Large-Vie110M4.186.6614.0925.8112.69
3vinai/PhoWhisper-large1.55B4.678.1413.7526.6813.31
4nguyenvulebinh/wav2vec2-base-vietnamese-250h95M10.7718.3413.3351.4523.47
5openai/whisper-large-v31.55B8.8115.4520.4168.6128.32
6khanhld/wav2vec2-base-vietnamese-160h95M15.0510.7831.6262.0129.87
7homebrewltd/Ichigo-whisper-v0.122M13.4623.5221.6462.9230.39
  1. Private Models (API):
STTModelVLSP - Task 1
1ChunkFormer-RNNT-Large-Vie12.8
2ChunkFormer-CTC-Large-Vie14.1
3Viettel14.5
4Google19.5
5FPT28.8

Quick Usage

To use the ChunkFormer model for Vietnamese Automatic Speech Recognition, follow these steps:

Option 1: Install from PyPI (Recommended)

pip install chunkformer

Option 2: Install from source

git clone https://github.com/khanld/chunkformer.git
cd chunkformer
pip install -e .

Python API Usage

from chunkformer import ChunkFormerModel

# Load the Vietnamese model from Hugging Face
model = ChunkFormerModel.from_pretrained("khanhld/chunkformer-rnnt-large-vie")

# For single long-form audio transcription
transcription = model.endless_decode(
    audio_path="path/to/long_audio.wav",
    chunk_size=64,
    left_context_size=128,
    right_context_size=128,
    total_batch_duration=14400,  # in seconds
    return_timestamps=True
)
print(transcription)

# For batch processing of multiple audio files
audio_files = ["audio1.wav", "audio2.wav", "audio3.wav"]
transcriptions = model.batch_decode(
    audio_paths=audio_files,
    chunk_size=64,
    left_context_size=128,
    right_context_size=128,
    total_batch_duration=1800  # Total batch duration in seconds
)

for i, transcription in enumerate(transcriptions):
    print(f"Audio {i+1}: {transcription}")

Command Line Usage

After installation, you can use the command line interface:

chunkformer-decode \
    --model_checkpoint khanhld/chunkformer-rnnt-large-vie \
    --long_form_audio path/to/audio.wav \
    --total_batch_duration 14400 \
    --chunk_size 64 \
    --left_context_size 128 \
    --right_context_size 128

Example Output:

[00:00:01.200] - [00:00:02.400]: this is a transcription example
[00:00:02.500] - [00:00:03.700]: testing the long-form audio

Advanced Usage can be found HERE


Citation

If you use this work in your research, please cite:

@INPROCEEDINGS{10888640,
  author={Le, Khanh and Ho, Tuan Vu and Tran, Dung and Chau, Duc Thanh},
  booktitle={ICASSP 2025 - 2025 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)}, 
  title={ChunkFormer: Masked Chunking Conformer For Long-Form Speech Transcription}, 
  year={2025},
  volume={},
  number={},
  pages={1-5},
  keywords={Scalability;Memory management;Graphics processing units;Signal processing;Performance gain;Hardware;Resource management;Speech processing;Standards;Context modeling;chunkformer;masked batch;long-form transcription},
  doi={10.1109/ICASSP49660.2025.10888640}}
}

Contact

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Ревизия весов
9863592

0 моделей