/ Модель

Характеристики

Лицензия
CC BY 4.0
Библиотека
nemo
Опубликована
7 июл 2026

stt_en_conformer_ctc_small

Распознавание речиАудио → текст

Англоязычная модель на базе Conformer-CTC для транскрибации речи из аудиозаписей.

5скачиваний за 30 дней0лайковвеса обновлены7 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

naymaraq опубликовал англоязычную модель распознавания речи для NVIDIA NeMo на архитектуре Conformer с CTC-декодированием. Она принимает одноканальные WAV-записи с частотой дискретизации 16 кГц и преобразует речь в текстовую транскрипцию. Модель можно использовать как готовый чекпойнт для распознавания аудио или дообучать на другом наборе данных.

В карточке указаны датасеты LibriSpeech, Common Voice 7.0, VCTK, Fisher, Switchboard, WSJ и National Singapore Corpus; лицензия — CC BY 4.0. Модель предназначена для английской речи. Качество может снижаться на технической лексике, разговорных вариантах и речи с акцентом.

Сценарии применения

  • транскрибация английских WAV-записей
  • распознавание речи в монофоническом аудио с частотой 16 кГц
  • получение текстовых расшифровок аудиофайлов
  • дообучение распознавателя речи на собственных аудиоданных

Ограничения

Качество может снижаться на технических терминах, разговорной речи и акцентах, не представленных в обучающих данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Overview

NVIDIA NeMo: Training

To train, fine-tune or play with the model you will need to install NVIDIA NeMo. We recommend you install it after you've installed latest Pytorch version.

pip install nemo_toolkit['all']

How to Use this Model

The model is available for use in the NeMo toolkit [3], and can be used as a pre-trained checkpoint for inference or for fine-tuning on another dataset.

Automatically instantiate the model

import nemo.collections.asr as nemo_asr
asr_model = nemo_asr.models.ASRModel.from_pretrained("naymaraq/stt_en_conformer_ctc_small")

Transcribing using Python

First, let's get a sample

wget https://dldata-public.s3.us-east-2.amazonaws.com/2086-149220-0033.wav

Then simply do:

asr_model.transcribe(['2086-149220-0033.wav'])

Transcribing many audio files

python [NEMO_GIT_FOLDER]/examples/asr/transcribe_speech.py  pretrained_name="naymaraq/stt_en_conformer_ctc_small"  audio_dir="<DIRECTORY CONTAINING AUDIO FILES>"

Input

This model accepts 16000 KHz Mono-channel Audio (wav files) as input.

Output

This model provides transcribed speech as a string for a given audio sample.

Model Architecture

Training

<ADD INFORMATION ABOUT HOW THE MODEL WAS TRAINED - HOW MANY EPOCHS, AMOUNT OF COMPUTE ETC>

Datasets

<LIST THE NAME AND SPLITS OF DATASETS USED TO TRAIN THIS MODEL (ALONG WITH LANGUAGE AND ANY ADDITIONAL INFORMATION)>

Performance

<LIST THE SCORES OF THE MODEL - OR USE THE Hugging Face Evaluate LiBRARY TO UPLOAD METRICS>

Limitations

Eg: Since this model was trained on publicly available speech datasets, the performance of this model might degrade for speech which includes technical terms, or vernacular that the model has not been trained on. The model might also perform worse for accented speech.

References

[1] NVIDIA NeMo Toolkit

Как запустить

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

GPU в ailist

Универсальный рантайм · nemo

Нельзя запустить

Модели NVIDIA NeMo требуют отдельного рантайма.

Ревизия весов
1474873

0 моделей