/ Модель

Характеристики

Контекст
512 токенов
Параметры
40,6 млн
Лицензия
MIT
Архитектура
bert · dense
Библиотека
transformers
Опубликована
21 сен 2026

punctuator-multilingual-minilm-v2

Разметка токеновТекст → label8 профессий

Многоязычная модель токеновой классификации для восстановления пунктуации и регистра в тексте без генерации новых слов.

453скачиваний за 30 дней0лайковвеса обновлены22 сен 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

ldenoue разработал многоязычную модель восстановления пунктуации и регистра на базе MiniLM. Это негенеративная модель токеновой классификации: для каждого токена она независимо предсказывает знак пунктуации и вариант регистра, не добавляя и не удаляя слова. Архитектура — 12-слойный multilingual MiniLM шириной 384; в README указано 33,78 млн параметров, а в метаданных Hugging Face — 40,6 млн. Используется словарь из 32 000 токенов, сокращённый на основе SentencePiece XLM-R; длина контекста — до 512 токенов.

Модель предназначена прежде всего для восстановления пунктуации и заглавных букв в распознанной речи, а также для приведения к читаемому виду текстов без форматирования. Обучающие данные включают речи VoxPopuli, сообщения OASST2, тексты FLEURS и фрагменты исправленных субтитров YouTube. Заявлены английский, немецкий, французский, испанский, итальянский, нидерландский, польский, чешский, словацкий, словенский, румынский, бразильский португальский и болгарский языки. Репозиторий содержит форматы ONNX и safetensors; лицензия модели — MIT.

README предупреждает, что включение языка в список не гарантирует качества для производственного применения: следует оценить модель на выходах целевой системы распознавания речи. Для распространения модели также рекомендуется проверить права на исходные субтитры YouTube, использованные в данных.

Сценарии применения

  • восстановление пунктуации в транскриптах речи
  • расстановка заглавных букв в распознанном тексте
  • форматирование субтитров и автоматических расшифровок
  • приведение к читаемому виду текста без знаков препинания

Ограничения

Включение языка в список обученных не гарантирует достаточного качества: модель следует оценить на выходах целевой системы распознавания речи. README также советует проверить права на исходные YouTube-субтитры перед распространением модели.

Для каких профессий подходит8

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

punctuator-multilingual-minilm-v2

Non-generative multilingual punctuation and casing restoration model.

  • Backbone: 12-layer, 384-wide multilingual MiniLM
  • Vocabulary: 32,000-piece vocabulary pruned from the original XLM-R SentencePiece model
  • Parameters: 33.78M
  • Languages trained: en, de, fr, es, it, nl, pl, cs, sk, sl, ro, pt-BR, bg
  • Training mode for this revision: balanced
  • Data: ordered VoxPopuli speeches, reviewed OASST2 messages, FLEURS text, and capped creator-corrected YouTube caption spans

The model returns eight logits per token:

  • indices 0–4: NONE, COMMA, PERIOD, QUESTION, EXCLAMATION
  • indices 5–7: LOWER, CAP, UPPER

Select both predictions independently at the final subword of each input word. The model only changes casing and appends punctuation; it does not generate words.

Data licenses: VoxPopuli CC0; OASST2 Apache-2.0; FLEURS CC BY 4.0; YouTube Caption Corrections dataset card MIT. The latter contains public captions collected from YouTube, so review the underlying caption/platform rights before redistributing a resulting model.

See training_metrics.json, per_language_metrics.json, and per_source_metrics.json. Language inclusion does not establish production quality; evaluate against real output from the target ASR system.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForTokenClassification
Ревизия весов
970138a

0 моделей