/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
swecha-gonthuka-asr
Опубликована
10 июл 2026

telugu-asr-finetuned

Распознавание речиАудио → текст

Дообученная Wav2Vec2-модель распознаёт речь на телугу и преобразует её в текст для транскрипции и создания субтитров.

8скачиваний 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 создана Surya Navyasree и представляет собой дообученную версию Swecha Gonthuka ASR для распознавания речи на телугу. Она использует архитектуру Wav2Vec2ForCTC и преобразует аудио на телугу в текст на телугу; число параметров — 113,3 млн. Модель предназначена для транскрибирования записей, создания субтитров и голосовых интерфейсов.

Для дообучения использован пользовательский набор данных: 712 обучающих, 89 проверочных и 89 тестовых примеров; аудио было приведено к частоте 16 кГц. На отложенной тестовой выборке указаны WER 0,5054 и точность 49,46%, поэтому качество распознавания может быть ограниченным, особенно за пределами условий оценки. Весовые файлы опубликованы в формате safetensors. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибирование аудиозаписей на телугу
  • создание субтитров к речи на телугу
  • распознавание голосовых команд на телугу
  • преобразование учебных аудиозаписей на телугу в текст

Ограничения

На отложенной тестовой выборке указаны WER 0,5054 и точность 49,46%, что свидетельствует об ограниченном качестве распознавания. Модель дообучалась на небольшом наборе данных из 712 обучающих примеров; оценка описана только для тестовой выборки на телугу.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Telugu ASR Fine-Tuned Model

Overview

This repository contains a fine-tuned Automatic Speech Recognition (ASR) model for the Telugu language. The model is based on Swecha Gonthuka ASR and has been fine-tuned using a custom Telugu speech dataset.

The model is capable of converting spoken Telugu audio into Telugu text and can be used for speech transcription and related ASR applications.


Base Model

  • Model: swechatelangana/swecha-gonthuka-asr
  • Architecture: Wav2Vec2ForCTC
  • Framework: Hugging Face Transformers
  • Language: Telugu

Fine-Tuning Dataset

A custom Telugu speech dataset was used for fine-tuning.

Dataset SplitSamples
Train712
Validation89
Test89

All audio files were resampled to 16 kHz before training.


Training Configuration

ParameterValue
Base ModelSwecha Gonthuka ASR
FrameworkHugging Face Transformers
OptimizerAdamW
Epochs10
Learning Rate1e-4
Batch Size4
Sampling Rate16000 Hz

Evaluation Results

MetricScore
Word Error Rate (WER)0.5054
Accuracy49.46%

Note: The evaluation was performed on the held-out Telugu test dataset.


Model Files

This repository includes:

  • ✅ Fine-tuned model weights (model.safetensors)
  • ✅ Configuration (config.json)
  • ✅ Processor
  • ✅ Tokenizer
  • ✅ Vocabulary
  • ✅ Feature Extractor

Usage

Install the required libraries:

pip install transformers librosa torch

Load the model

from transformers import AutoProcessor, AutoModelForCTC

processor = AutoProcessor.from_pretrained(
    "navyasree2006/telugu-asr-finetuned"
)

model = AutoModelForCTC.from_pretrained(
    "navyasree2006/telugu-asr-finetuned"
)

Transcribe an audio file

import librosa
import torch

audio_path = "sample.mp3"

speech, sr = librosa.load(audio_path, sr=16000)

inputs = processor(
    speech,
    sampling_rate=16000,
    return_tensors="pt",
    padding=True
)

with torch.no_grad():
    logits = model(**inputs).logits

predicted_ids = torch.argmax(logits, dim=-1)

transcription = processor.batch_decode(predicted_ids)[0]

print(transcription)

Applications

This model can be used for:

  • Telugu Speech-to-Text
  • Voice Assistants
  • Subtitle Generation
  • Audio Transcription
  • Educational Applications
  • Accessibility Tools
  • Voice-based Interfaces

Repository


Author

Surya Navyasree

B.Tech – Computer Science and Engineering (Data Science)

Rajeev Gandhi Memorial College of Engineering and Technology (RGMCET)

GitHub: https://github.com/SuryaNavyasree

Hugging Face: https://huggingface.co/navyasree2006


Acknowledgements

This work was completed using:

  • Swecha Telangana
  • Hugging Face Transformers
  • PyTorch
  • Mozilla Common Voice
  • Google Colab

Citation

If you use this model in your work, please cite this repository and the original Swecha Gonthuka ASR model.

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
2a6a0e6

0 моделей