/ Модель

Характеристики

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

wav2vec2-base-vi-vlsp2020-ft-VietMed_labeled_phowhisper

Распознавание речиАудио → текст

Дообученная wav2vec2-модель для распознавания речи и транскрибирования аудио на вьетнамском языке.

6скачиваний за 30 дней0лайковвеса обновлены25 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.

  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-VietMed_labeled_phowhisper — дообученная версия minhvn1433/wav2vec2-base-vi-vlsp2020 для автоматического распознавания речи. Она построена на архитектуре wav2vec2 с CTC-головой, содержит 113,3 млн параметров и принимает аудио, выдавая текстовую транскрипцию. Дообучение проводилось на наборе MINHVN1433/VIETMED_LABELED_PHOWHISPER - NA.

На тестовой выборке указаны WER 0,2629 и CER 0,2034. Карточка не описывает ограничения применения и лицензию, поэтому их нельзя уточнить по доступным сведениям.

Сценарии применения

  • транскрибирование вьетнамской речи
  • распознавание аудио из медицинского набора VietMed
  • получение текстовой расшифровки речевых записей

Ограничения

В README приведены WER 0,2629 и CER 0,2034 на оценочной выборке; качество на других аудиоданных не описано. Ограничения применения и лицензия в доступных данных не указаны.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

wav2vec2-base-vi-vlsp2020-ft-VietMed_labeled_phowhisper

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

  • Loss: 1.3017
  • Wer: 0.2629
  • Cer: 0.2034

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: 1e-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: 5500
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossWerCer
0.53322.79335001.30170.26290.2034
0.44275.586610001.22930.26480.2042
0.39028.379915001.27590.26740.2055
0.401611.173220001.27880.26380.2031
0.386013.966525001.29830.26610.2046
0.386216.759830001.34980.26500.2045
0.370619.553135001.37600.26600.2044
0.359922.346440001.38900.26530.2047
0.356225.139745001.41510.26850.2057
0.315427.933050001.41820.26770.2056
0.345930.726355001.39700.26580.2053

Framework versions

  • Transformers 5.12.1
  • 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
8b11ba1

0 моделей