/ Модель

Характеристики

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

wav2vec2-base-vi-vlsp2020-ft-ViMD_south_phowhisper

Распознавание речиАудио → текст

Дообученная wav2vec2-модель для автоматической транскрибации вьетнамской речи в текст.

5скачиваний 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.

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_south_phowhisper — дообученная Minhvn1433 модель распознавания речи на архитектуре wav2vec2 с выходной головой CTC. Она содержит 113,3 млн параметров и предназначена для преобразования вьетнамской речи в текст; дообучение выполнено на наборе MINHVN1433/VIMD_SOUTH_PHOWHISPER - NA. На тестовой выборке указаны WER 0,1702 и CER 0,1048.

Модель принимает аудио и выдаёт текст, её можно использовать для транскрибации вьетнамской речи, в том числе в сценариях, соответствующих данным дообучения. Репозиторий использует Transformers и формат safetensors; лицензия в предоставленных сведениях не указана.

Сценарии применения

  • транскрибация вьетнамской речи
  • распознавание вьетнамских аудиозаписей
  • преобразование речи в текст для набора MINHVN1433/VIMD_SOUTH_PHOWHISPER - NA

Ограничения

Оценка WER 0,1702 и CER 0,1048 приведена для тестовой выборки; качество на других данных может отличаться. Область применимости за пределами набора дообучения не описана.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

wav2vec2-base-vi-vlsp2020-ft-ViMD_south_phowhisper

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

  • Loss: 0.4545
  • Wer: 0.1702
  • Cer: 0.1048

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
0.37123.57145000.42530.17510.1063
0.32717.142910000.42390.17140.1043
0.300410.714315000.44860.17050.1046
0.279114.285720000.46670.17280.1054
0.268817.857125000.45450.17020.1048
0.266421.428630000.47090.17020.1047

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
04ff287

0 моделей