Характеристики

Параметры: 403 млн
Лицензия: Apache 2.0
Архитектура: wav2vec2 · dense
Базовая модель: wav2vec2-xls-r-300m
Библиотека: transformers
Опубликована: 22 июн 2026

Ссылки

Hugging Face

wav2vec2-xls-r-300m-okinoerabu-lr-3e-4

larrycmu

Распознавание речиАудио → текст7 профессий

Дообученная модель Wav2Vec2 для преобразования речи в аудио в текстовую транскрипцию.

23скачиваний за 30 дней0лайковвеса обновлены26 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

Larrycmu разработал эту модель дообучением facebook/wav2vec2-xls-r-300m для автоматического распознавания речи. Это плотная модель Wav2Vec2 с CTC-выходом, принимающая аудио и выдающая текст; репозиторий содержит веса в формате safetensors. Число параметров — около 402,8 млн.

В карточке приведены результаты на тестовой выборке: CER 0,0746 и WER 0,3453. Язык распознавания и характеристики набора данных не раскрыты, поэтому применимость к конкретному языку и условиям записи по этим сведениям оценить нельзя. Лицензия — Apache-2.0.

Сценарии применения

транскрибирование записей речи
распознавание речи в аудиофайлах
оценка качества распознавания по CER и WER

Ограничения

Язык распознавания и обучающий датасет не указаны. Приведены CER 0,0746 и WER 0,3453 на оценочной выборке, но подробности протокола оценки отсутствуют.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.7Универсальные способностиРечь, диалоги и встречиAI помогает понимать разговорную речь, поддерживать диалог и превращать встречи в структурированные результаты.17 задач26 923модели I.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953модели I.9Универсальные способностиАудио и музыкаAI помогает анализировать, очищать, преобразовывать и создавать звук и музыку.15 задач4 835моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

wav2vec2-xls-r-300m-okinoerabu-lr-3e-4

This model is a fine-tuned version of facebook/wav2vec2-xls-r-300m on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.2382
Cer: 0.0746
Wer: 0.3453

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 5e-05
train_batch_size: 16
eval_batch_size: 8
seed: 42
gradient_accumulation_steps: 2
total_train_batch_size: 32
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 500
num_epochs: 100

Training results

Training Loss	Epoch	Step	Validation Loss	Cer	Wer
131.5963	0.7407	100	46.4079	0.9999	1.0
71.0036	1.4815	200	23.6939	0.9999	1.0
41.5379	2.2222	300	14.3187	0.9999	1.0
22.4654	2.9630	400	7.1178	0.9999	1.0
10.9829	3.7037	500	4.3045	0.9999	1.0
8.6748	4.4444	600	4.1853	0.9999	1.0
8.4073	5.1852	700	4.1068	0.9999	1.0
8.2699	5.9259	800	4.0733	0.9999	1.0
8.1201	6.6667	900	4.0341	0.9999	1.0
8.0608	7.4074	1000	4.0257	0.9999	1.0
8.0607	8.1481	1100	4.0250	0.9999	1.0
8.0683	8.8889	1200	4.0183	0.9999	1.0
8.0276	9.6296	1300	4.0060	0.9999	1.0
8.0674	10.3704	1400	4.0026	0.9999	1.0
7.9944	11.1111	1500	3.9810	0.9999	1.0
7.8422	11.8519	1600	3.8968	0.9999	1.0
7.8075	12.5926	1700	4.0429	0.9999	1.0
7.7723	13.3333	1800	3.9407	0.9999	1.0
7.7423	14.0741	1900	3.8631	0.9999	1.0
7.6246	14.8148	2000	3.7744	0.9999	1.0
7.0852	15.5556	2100	3.0202	0.9232	1.0
4.6926	16.2963	2200	1.4690	0.3770	0.9971
2.7306	17.0370	2300	0.9529	0.2411	0.9055
1.9313	17.7778	2400	0.6734	0.1514	0.6376
1.4976	18.5185	2500	0.5398	0.1303	0.5314
1.2640	19.2593	2600	0.4533	0.1210	0.5166
1.0471	20.0	2700	0.3733	0.1092	0.4789
0.8940	20.7407	2800	0.3431	0.1037	0.4603
0.7892	21.4815	2900	0.3114	0.1018	0.4458
0.7511	22.2222	3000	0.2896	0.0999	0.4518
0.6978	22.9630	3100	0.2701	0.0961	0.4435
0.6512	23.7037	3200	0.2518	0.0904	0.4127
0.6353	24.4444	3300	0.2388	0.0900	0.4167
0.5877	25.1852	3400	0.2358	0.0879	0.4081
0.5581	25.9259	3500	0.2268	0.0865	0.4055
0.5597	26.6667	3600	0.2315	0.0871	0.4047
0.5145	27.4074	3700	0.2172	0.0843	0.3853
0.5045	28.1481	3800	0.2185	0.0859	0.4030
0.4756	28.8889	3900	0.2111	0.0856	0.3958
0.4855	29.6296	4000	0.2029	0.0818	0.3838
0.4509	30.3704	4100	0.2024	0.0805	0.3710
0.4407	31.1111	4200	0.2004	0.0808	0.3736
0.4217	31.8519	4300	0.1956	0.0808	0.3761
0.4120	32.5926	4400	0.1914	0.0796	0.3656
0.3879	33.3333	4500	0.1915	0.0790	0.3616
0.3958	34.0741	4600	0.1887	0.0788	0.3630
0.4007	34.8148	4700	0.1959	0.0792	0.3673
0.3981	35.5556	4800	0.1900	0.0800	0.3776
0.3655	36.2963	4900	0.1870	0.0791	0.3707
0.3783	37.0370	5000	0.1841	0.0779	0.3576
0.3484	37.7778	5100	0.1909	0.0789	0.3639
0.3473	38.5185	5200	0.1902	0.0789	0.3650
0.3570	39.2593	5300	0.2105	0.0850	0.4018
0.3128	40.0	5400	0.1876	0.0799	0.3701
0.3288	40.7407	5500	0.1868	0.0786	0.3587
0.3266	41.4815	5600	0.1923	0.0784	0.3656
0.3209	42.2222	5700	0.2073	0.0824	0.3827
0.3029	42.9630	5800	0.2026	0.0800	0.3704
0.2941	43.7037	5900	0.2073	0.0812	0.3759
0.2999	44.4444	6000	0.1927	0.0787	0.3679
0.2910	45.1852	6100	0.2042	0.0813	0.3659
0.2986	45.9259	6200	0.1964	0.0772	0.3610
0.2894	46.6667	6300	0.2038	0.0799	0.3679
0.2714	47.4074	6400	0.1990	0.0774	0.3607
0.2871	48.1481	6500	0.2023	0.0777	0.3636
0.2673	48.8889	6600	0.1973	0.0763	0.3599
0.2688	49.6296	6700	0.1944	0.0774	0.3624
0.2561	50.3704	6800	0.2042	0.0772	0.3593
0.2455	51.1111	6900	0.1952	0.0775	0.3647
0.2403	51.8519	7000	0.1945	0.0767	0.3604
0.2440	52.5926	7100	0.1937	0.0764	0.3567
0.2321	53.3333	7200	0.2021	0.0793	0.3647
0.2126	54.0741	7300	0.2022	0.0765	0.3590
0.2194	54.8148	7400	0.1993	0.0777	0.3604
0.2286	55.5556	7500	0.1952	0.0762	0.3556
0.2192	56.2963	7600	0.2141	0.0784	0.3690
0.2153	57.0370	7700	0.2049	0.0759	0.3527
0.2148	57.7778	7800	0.2082	0.0768	0.3582
0.2187	58.5185	7900	0.2012	0.0777	0.3610
0.2042	59.2593	8000	0.2080	0.0757	0.3527
0.1981	60.0	8100	0.2131	0.0790	0.3673
0.2118	60.7407	8200	0.2144	0.0780	0.3604
0.2011	61.4815	8300	0.2156	0.0773	0.3564
0.1978	62.2222	8400	0.2095	0.0759	0.3545
0.1859	62.9630	8500	0.2294	0.0788	0.3604
0.1960	63.7037	8600	0.2088	0.0762	0.3533
0.1895	64.4444	8700	0.2243	0.0795	0.3650
0.1895	65.1852	8800	0.2174	0.0750	0.3527
0.1859	65.9259	8900	0.2250	0.0792	0.3619
0.1800	66.6667	9000	0.2129	0.0767	0.3522
0.1851	67.4074	9100	0.2139	0.0768	0.3542
0.1767	68.1481	9200	0.2121	0.0746	0.3479
0.1806	68.8889	9300	0.2152	0.0754	0.3510
0.1861	69.6296	9400	0.2201	0.0751	0.3522
0.1805	70.3704	9500	0.2134	0.0760	0.3513
0.1842	71.1111	9600	0.2196	0.0765	0.3539
0.1688	71.8519	9700	0.2192	0.0763	0.3547
0.1647	72.5926	9800	0.2215	0.0746	0.3467
0.1804	73.3333	9900	0.2216	0.0743	0.3482
0.1554	74.0741	10000	0.2284	0.0759	0.3536
0.1647	74.8148	10100	0.2185	0.0758	0.3485
0.1655	75.5556	10200	0.2168	0.0757	0.3545
0.1522	76.2963	10300	0.2223	0.0755	0.3505
0.1566	77.0370	10400	0.2200	0.0746	0.3459
0.1544	77.7778	10500	0.2279	0.0755	0.3493
0.1586	78.5185	10600	0.2254	0.0754	0.3513
0.1471	79.2593	10700	0.2229	0.0754	0.3536
0.1531	80.0	10800	0.2248	0.0760	0.3516
0.1539	80.7407	10900	0.2330	0.0760	0.3487
0.1543	81.4815	11000	0.2251	0.0755	0.3533
0.1546	82.2222	11100	0.2318	0.0757	0.3490
0.1453	82.9630	11200	0.2294	0.0758	0.3539
0.1492	83.7037	11300	0.2301	0.0759	0.3513
0.1569	84.4444	11400	0.2324	0.0741	0.3462
0.1474	85.1852	11500	0.2335	0.0751	0.3482
0.1389	85.9259	11600	0.2322	0.0750	0.3507
0.1450	86.6667	11700	0.2376	0.0744	0.3462
0.1448	87.4074	11800	0.2413	0.0753	0.3490
0.1440	88.1481	11900	0.2378	0.0749	0.3465
0.1384	88.8889	12000	0.2396	0.0741	0.3465
0.1486	89.6296	12100	0.2375	0.0749	0.3473
0.1404	90.3704	12200	0.2349	0.0747	0.3487
0.1377	91.1111	12300	0.2362	0.0747	0.3479
0.1428	91.8519	12400	0.2344	0.0749	0.3476
0.1446	92.5926	12500	0.2327	0.0746	0.3465
0.1378	93.3333	12600	0.2337	0.0748	0.3467
0.1337	94.0741	12700	0.2357	0.0744	0.3447
0.1376	94.8148	12800	0.2346	0.0746	0.3470
0.1311	95.5556	12900	0.2377	0.0749	0.3485
0.1318	96.2963	13000	0.2370	0.0750	0.3465
0.1359	97.0370	13100	0.2385	0.0747	0.3473
0.1418	97.7778	13200	0.2383	0.0743	0.3445
0.1364	98.5185	13300	0.2383	0.0747	0.3450
0.1196	99.2593	13400	0.2380	0.0742	0.3436
0.1342	100.0	13500	0.2382	0.0746	0.3453

Framework versions

Transformers 5.8.1
Pytorch 2.11.0+cu128
Datasets 3.6.0
Tokenizers 0.22.2

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры: Wav2Vec2ForCTC
Ревизия весов: 9510da2

Характеристики

Ссылки

wav2vec2-xls-r-300m-okinoerabu-lr-3e-4

Бенчмарки

Тесты пользователейпока нет

Добавьте модель в бенчмарк

Опишите свои задачи

Запустите и опубликуйте

Публичные оценки

Что умеет модель

Сценарии применения

Ограничения

Для каких профессий подходит7

Также подходит для

Карточка модели

wav2vec2-xls-r-300m-okinoerabu-lr-3e-4

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

Как запустить