/ Модель
Каталог

Характеристики

Параметры
113 млн
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-base-vi-vlsp2020
Библиотека
transformers
Опубликована
10 июл 2026

Ссылки

Hugging Face

wav2vec2-base-vi-vlsp2020-ft-ViMD_central_phowhisper

minhvn1433
Распознавание речиАудио → текст

Дообученная модель Wav2Vec2 для распознавания вьетнамской речи и преобразования аудио в текст.

4скачиваний за 30 дней0лайковвеса обновлены10 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.

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

Модель minhvn1433/wav2vec2-base-vi-vlsp2020-ft-ViMD_central_phowhisper — версия wav2vec2, дообученная автором на наборе MINHVN1433/VIMD_CENTRAL_PHOWHISPER - NA. Это модель распознавания речи с архитектурой Wav2Vec2ForCTC и 113,3 млн параметров, предназначенная для преобразования аудио в текст на вьетнамском языке.

В README указаны результаты на оценочном наборе: WER 0,1943, CER 0,1165 и loss 0,5676. Модель подходит для распознавания вьетнамской речи, соответствующей обучающим данным; качество на других вариантах речи и акустических условиях может отличаться. Лицензия в предоставленных данных не указана.

Сценарии применения

  • транскрибация записей вьетнамской речи
  • распознавание центрального вьетнамского произношения
  • создание текстовых расшифровок аудиозаписей
  • измерение ошибок распознавания на вьетнамском наборе данных

Ограничения

В README приведены метрики только на оценочном наборе: WER 0,1943 и CER 0,1165; качество на других данных не установлено. Лицензия не указана в предоставленных источниках.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

wav2vec2-base-vi-vlsp2020-ft-ViMD_central_phowhisper

This model is a fine-tuned version of minhvn1433/wav2vec2-base-vi-vlsp2020 on the MINHVN1433/VIMD_CENTRAL_PHOWHISPER - NA dataset. It achieves the following results on the evaluation set:

  • Loss: 0.5676
  • Wer: 0.1943
  • Cer: 0.1165

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: 3e-05
  • train_batch_size: 16
  • eval_batch_size: 16
  • seed: 42
  • 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: 500.0
  • training_steps: 3000
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWerCer
0.44303.06755000.51600.19700.1177
0.39856.135010000.54590.20150.1164
0.36779.202515000.55840.19810.1171
0.344412.269920000.57650.19570.1172
0.335315.337425000.56760.19430.1165
0.328018.404930000.58720.19550.1173

Framework versions

  • Transformers 5.13.0
  • 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
ab30111

0 моделей

    Создать бенчмарк