/ Модель

Характеристики

Лицензия
CC BY 4.0
Базовая модель
stt_en_fastconformer_transducer_large
Библиотека
nemo
Опубликована
5 июл 2026

vi-asr-fastconformer-114m

Распознавание речиАудио → текст3 профессии

Модель FastConformer-Transducer для расшифровки вьетнамской разговорной и телефонной речи, в том числе длинных последовательностей цифр.

15скачиваний за 30 дней0лайковвеса обновлены8 июл 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

kyle/vi-asr-fastconformer-114m — модель распознавания вьетнамской речи в текст, разработанная для разговорного аудио и телефонных звонков. Она построена на архитектуре FastConformer-Transducer (RNNT), содержит около 114 млн параметров и адаптирована из англоязычной nvidia/stt_en_fastconformer_transducer_large с расширением словаря и поэтапным дообучением на публичных вьетнамских наборах данных.

Модель предназначена для расшифровки вьетнамской речи в условиях колл-центра, включая телефонный звук с частотой 8 кГц, а также для офлайн-транскрибации аудио с частотой 8 и 16 кГц. Особое внимание уделено точному распознаванию длинных последовательностей цифр и идентификаторов; карточка приводит улучшение полноты распознавания цифр на контролируемой оценке.

Модель оптимизирована для разговорного вьетнамского языка. На формальной дикторской речи, например новостном чтении, и на незнакомой предметной лексике качество снижается; оценки для реальных телефонных номеров основаны на небольшой размеченной выборке. Лицензия — CC-BY-4.0.

Сценарии применения

  • транскрибация вьетнамских звонков в колл-центре
  • распознавание вьетнамской речи в телефонном аудио 8 кГц
  • расшифровка продиктованных телефонных номеров и идентификаторов
  • офлайн-транскрибация вьетнамских аудиозаписей 8 и 16 кГц

Ограничения

Модель лучше подходит для разговорной и телефонной вьетнамской речи, чем для формального чтения; качество падает на незнакомой предметной лексике. Оценки распознавания телефонных номеров на реальных звонках основаны на небольшой размеченной выборке.

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

Vietnamese ASR — FastConformer-Transducer 114M

A Vietnamese speech-to-text model built for conversational / call-center (telephony) audio. It is adapted from NVIDIA's English stt_en_fastconformer_transducer_large to Vietnamese via vocabulary adaptation and a 3-stage curriculum over ~14 public Vietnamese datasets, then hardened for robust digit-string reading on 8 kHz telephony.


Highlights

Two things this model was built to demonstrate, both aimed at cold-start, noisy, narrow-domain settings where labeled data is scarce:

1. Vocabulary extension without retraining from scratch

The Vietnamese vocabulary/tokenizer was extended in place (new tokens grafted onto the existing model) rather than resetting the decoder and retraining from zero. Only a small number of vocabulary-dependent tensors need updating, so new symbols (e.g. f / j / w / z for loanwords) can be added cheaply. This makes continued, incremental training toward mixed-language content practical instead of a full re-train each time.

2. An STT ↔ TTS mutual-bootstrapping loop

Training data for hard, narrow domains was generated with a loop between STT and TTS:

  • a human seeds topics and a few sample clips to clone voices from,
  • a voice-cloning TTS synthesizes many in-domain utterances (e.g. connected-digit read-backs),
  • the audio is degraded to 8 kHz telephony conditions,
  • an STT self-check gate keeps only clips read back correctly,
  • the resulting set fine-tunes the STT — which in turn makes a better gate.

This produces controlled, labeled, in-domain data without needing real production recordings, which is exactly the constraint in cold-start and privacy-restricted settings.


Results

General Vietnamese WER (9 public test sets, normalize_vi)

Test setCharacteristicWER
bud5003-region conversational6.09%
vivosstudio read speech7.87%
lsvscnatural, multi-region13.03%
fleursinternational read speech15.92%
common_voiceeveryday-mic read speech16.54%
fosdread speech (FOSD)18.53%
vietsuperspeechconversational (closest to callbot)21.81%
vlspformal news25.28%
vietmedmedical (out-of-domain probe)25.99%
average16.78%

Digit robustness on 8 kHz telephony

The digit-hardening step targets long spoken number strings (phone, ID, card numbers) read back over 8 kHz telephony — the highest-friction failure in call-center audio.

  • Digit recall on a controlled 8 kHz digit eval: 0.52 → 0.92
  • Collapse (model emitting an unknown token instead of digits): eliminated
  • Non-digit performance is preserved (no measurable forgetting).

Numbers on real call recordings are directional only (small labeled sample); controlled synthetic eval is used for reliable measurement.


Intended use

  • Vietnamese conversational / call-center transcription, especially where callers read out numbers and identifiers over a phone line.
  • Offline transcription of 8 kHz / 16 kHz Vietnamese speech.

Limitations

  • Optimized for telephony/conversational Vietnamese; very formal read speech (news) is weaker.
  • Domains unseen in training (e.g. medical terminology) degrade.
  • Real-world call numbers were measured on a small labeled set; treat production metrics as indicative.

How to use

import nemo.collections.asr as nemo_asr

model = nemo_asr.models.ASRModel.from_pretrained("kyle/vi-asr-fastconformer-114m")
# 16 kHz mono wav; the model also handles 8 kHz telephony audio
hyp = model.transcribe(["sample_vi.wav"])
print(hyp)

Training data

All training data is public. Vietnamese sets used across the curriculum include: VIVOS, Common Voice (vi), FLEURS (vi), VLSP2020, LSVSC, FOSD (FPT Open Speech Dataset), Bud500, VietSuperSpeech, and VietMed (held-out probe). Digit-robustness data was synthesized with a voice-cloning TTS as described above.

License & attribution

  • Released under CC-BY-4.0, inheriting the license of the base model.
  • Derived from NVIDIA stt_en_fastconformer_transducer_large (CC-BY-4.0); please retain NVIDIA attribution.
  • Built with NVIDIA NeMo.

Acknowledgements

Thanks to the open Vietnamese ASR dataset community and to NVIDIA for the FastConformer base model and the NeMo framework.

Как запустить

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

GPU в ailist

Универсальный рантайм · nemo

Нельзя запустить

Модели NVIDIA NeMo требуют отдельного рантайма.

Ревизия весов
3f49877

0 моделей