/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-base-sk-17k
Опубликована
29 июл 2026

wav2vec2-base-Sk-17k_fav-kky-finetuned

Распознавание речиАудио → текст

Словацкая модель Wav2Vec2 для выравнивания известной транскрипции с аудио и получения временных меток слов или символов.

186скачиваний за 30 дней0лайковвеса обновлены29 июл 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.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

Это словацкая модель Wav2Vec2ForCTC от mikinko, дообученная на основе fav-kky/wav2vec2-base-sk-17k. Она предназначена прежде всего для принудительного выравнивания известной транскрипции с аудио и получения временных меток слов или символов. Модель содержит 113,3 млн параметров; её энкодер предварительно обучен на словацкой речи, а CTC-голова использует словарь из 46 буквенных токенов.

Модель принимает аудио и известный текст транскрипции для выравнивания. Также она может выполнять свободную CTC-декодировку и распознавать связную словацкую речь, но для коротких изолированных фраз подходит хуже. В выходном словаре нет пунктуации, заглавных букв и цифр. Прямо как выравниватель на эталонных временных метках модель не оценивалась; приведённые в карточке показатели распознавания служат косвенной проверкой качества. Обучение проводилось на словацких речевых корпусах, включая Common Voice, FLEURS, TEDxSK/JumpSK, SloPalSpeech и VoxPopuli. Лицензия — Apache-2.0.

Сценарии применения

  • выравнивание словацкой транскрипции с аудиозаписью
  • получение временных меток слов в словацкой речи
  • получение временных меток символов в словацком аудио
  • черновое распознавание связной словацкой речи

Ограничения

В словаре нет пунктуации, заглавных букв и цифр; на коротких изолированных фразах модель склонна выдавать лишний текст. Качество выравнивания напрямую на эталонных временных метках не оценивалось.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

wav2vec2-base-sk-17k-fav-kky-aligner

A Slovak Wav2Vec2ForCTC model, fine-tuned to be used as a forced aligner — not as a general-purpose transcriber. Given audio and its known transcript, it produces accurate word/character-level timestamps. It can also free-decode (greedy CTC), and that's how it's evaluated below, but that's not the job it was built for.

Where it comes from

The encoder is fav-kky's Slovak wav2vec2-base, pretrained self-supervised on ~17,000 hours of Slovak speech. This repo adds a fresh 46-token CTC head and fine-tunes the whole model on labeled Slovak speech.

The vocabulary is fixed and small on purpose: lowercase letters + Slovak diacritics only (a-z áäčďéíĺľňóôŕšťúýž), no punctuation, no digits. A CTC head can't hear a comma or a capital letter, and for an alignment model, extra output classes just blur the frame posteriors you're trying to align against.

Training data

Fine-tuned on the official train splits of five Slovak corpora, capped at 15 minutes of audio per speaker to keep a few over-represented voices from dominating:

CorpusDomain
Mozilla Common Voice v27 (sk)Read speech, crowd-sourced
Google FLEURS (sk)Read speech
TEDxSK / JumpSKSpontaneous conference talks
SloPalSpeechSlovak parliament recordings
VoxPopuli (sk)European Parliament recordings

Utterances containing digits were dropped rather than expanded (2019 is spoken dvetisícdevätnásť, and Slovak numerals decline by case, so naive expansion produces grammatically wrong training labels). About 43 hours were dropped this way, affecting only 19 speakers.

One side effect worth knowing: SloPalSpeech and VoxPopuli make up ~86% of the training hours, and both are long-form audio (20–30 second clips). The model has a strong prior toward long, connected speech and is noticeably less comfortable with isolated short clips (see Limitations).

Results

Word/character error rate, full test split of each corpus, greedy CTC decoding (no language model):

CorpusWERCER
Common Voice22.10%¹5.85%
FLEURS9.61%2.44%
SloPalSpeech6.57%2.26%
TEDxSK10.88%3.22%
VoxPopuli7.61%3.84%

¹ Common Voice is dominated by very short clips (one or two words), which this model over-emits on due to its long-form training bias — WER on 7+ word utterances (half the test set) is 13.7%, close to the other corpora. CER, which is less sensitive to a handful of runaway short clips, tells the more honest story here.

Since the model trained on these corpora's own train splits, these numbers aren't fully independent recognition — they're best read as a health check on the frame posteriors, not a leaderboard score.

Intended use

This model is meant to be used the way forced aligners are used: given audio and its transcript, align text to audio frames (e.g. with torchaudio.functional.forced_align) to get word or character timestamps. In that setting the model never has to guess what was said, only when — so the short-clip over-emission problem above doesn't come into play.

Free-decoding this model as a standalone transcriber will work reasonably on longer, connected speech, but will be unreliable on short utterances and has no punctuation or capitalization in its output.

Limitations

  • No punctuation, no capitalization, no digits in the vocabulary.
  • Weak on very short (1–3 word) isolated utterances due to the long-form training data.
  • Not evaluated as an aligner directly (i.e. against ground-truth timestamps) — the numbers above are free-decode WER/CER, used as a proxy for posterior quality.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
b0ed463

0 моделей