/ Модель

Характеристики

Параметры
403 млн
Лицензия
MIT
Архитектура
wav2vec2-bert · dense
Базовая модель
w2v-bert-2.0
Библиотека
transformers
Опубликована
5 июн 2026

tubastt-twi-en-asr-w2vbert-v0.5

Распознавание речиАудио → текст3 профессии

TubaSTT v0.5 — телефон арналарына төзімді, Twi/Akan және ағылшын тілдеріндегі ганалық сөйлеуді мәтінге айналдыратын CTC моделі.

21скачиваний за 30 дней0лайковвеса обновлены17 авг 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

TubaSTT v0.5 — Neriqlabs компаниясы әзірлеген, Asante Twi/Akan және ағылшын тілдеріндегі екітілді сөйлеуді мәтінге айналдыратын модель. Ол тілдер арасында код ауыстырылатын ганалық әңгімелесулерге, әсіресе 8 кГц телефон арналары арқылы өтетін клиенттерге қызмет көрсету қоңырауларына арналған.

Модель — facebook/w2v-bert-2.0 негізінде CTC әдісімен бейімделген Wav2Vec2-BERT энкодері, 402,7 млн параметрі бар және аудионы қабылдап, транскрипт мәтінін шығарады. Оқытуда шамамен 109 сағаттық оқылым, әңгімелесу және ағылшын тіліндегі деректер, сондай-ақ телефон кодегін имитациялайтын μ-law және SpecAugment күшейтулері қолданылған. MIT лицензиясымен таратылады.

Әзірлеуші хабарлаған бағалауда Asante Twi оқылымындағы WER таза аудиода 9,1%, телефон аудиосында 9,5%; WAXAL әңгімелесу деректерінде сәйкесінше 26,3% және 27,9%. Әңгімелесу сөйлеуіндегі қателер оқылымға қарағанда көбірек; WAXAL диалектісі таза Asante Twi-ден өзгеше болуы мүмкін, ал ағылшын акценті негізінен FLEURS деректеріне сүйенеді. Көрсеткіштер әзірге dev жиынтықтарынан алынған, бөлек тест жиынтығы дайындалып жатыр.

Сценарии применения

  • Ганадағы клиенттерге қызмет көрсету қоңырауларын транскрипциялау
  • 8 кГц телефон аудиосынан Asante Twi сөйлеуін тану
  • Ағылшын және Twi аралас айтылған сөздерді мәтінге айналдыру
  • Акан тіліндегі әңгімелесу аудиосын транскрипциялау

Ограничения

Әңгімелесу сөйлеуіндегі қателік деңгейі оқылым сөйлеуіне қарағанда жоғары; нәтижелер әзірге әзірлеуші көрсеткен dev жиынтықтарына негізделген және тәуелсіз тест бағалауы әлі дайындалып жатыр. WAXAL деректеріндегі диалект пен FLEURS-тегі ағылшын акценті нақты қолдану аудиосынан ерекшеленуі мүмкін.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

TubaSTT — Twi+English Bilingual Conversational ASR, phone-robust (w2v-BERT, v0.5)

Bilingual, code-switch-aware, phone-robust speech recognition for Asante Twi / Akan and English, for Ghanaian customer-service voice agents (8 kHz telephony). CTC fine-tune of facebook/w2v-bert-2.0 (580M, MIT) on real conversational + read Ghanaian speech + English, with phone-codec + SpecAugment augmentation.

v0.5 adds 8 kHz μ-law codec + SpecAugment augmentation over v0.4, cutting phone-codec WER substantially while slightly improving clean — the phone gap is nearly closed.

Results — WER by source (dev*)

SourceTypev0.4 WERv0.5 WERv0.5 +KenLM
BibleTTS unseenTwi read9.89.18.0
BibleTTS — 8 kHz phoneTwi read, telephony11.79.5—
WAXAL Akanconversational + code-switch27.026.325.8
WAXAL — 8 kHz phoneconversational, telephony33.027.9—
FLEURS ‡English11.711.76.4 ‡
Ashesi FISD †Twi read, fintech1.21.0 †—

* These are dev-set numbers. A speaker-disjoint, held-out test split is in construction and will be published alongside the next release. We report the caveats below rather than omit them, because two of these rows are not generalisation claims.

† Ashesi FISD is in-domain and should not be read as a headline. The corpus authors state that speakers and phrases in the 10% eval split may also appear in the 90% train split; we measured 100% transcript overlap and 100% speaker overlap with our training data. The 1.0 WER is reported for completeness and continuity with v0.4, not as evidence of generalisation.

‡ Treat the KenLM-fused English number as optimistic. Our bilingual LM corpus is counted from the training text, which overlaps ~77% of this FLEURS dev slice, so the 11.7 → 6.4 improvement is substantially the language model recognising sentences it was built from. The unfused English number (11.7) is the honest one; Twi-read 9.1 → 8.0 and conversational 26.3 → 25.8 rest on non-overlapping corpora and stand.

The defensible headline is the phone-band conversational result: BibleTTS 9.1 clean / 9.5 telephony, WAXAL 26.3 clean / 27.9 telephony — measured on named, held-out sets with no train overlap.

Phone robustness is the headline: conversational-phone WER 33.0 → 27.9 (−15% rel), read-phone 11.7 → 9.5; clean held/improved. BibleTTS phone (9.5) ≈ clean (9.1) — nearly codec-invariant, which an 8 kHz call pipeline needs. A bilingual KenLM 3-gram shallow fusion (pyctcdecode) lowers WER further at decode time — English 11.7 → 6.4, Twi-read 9.1 → 8.0, conversational 26.3 → 25.8 (see decode_lm_eval.py).

Training data

  • Twi read: BibleTTS Asante (ɛ/ɔ-corrected) + Ashesi/Nokwary Financial Inclusion + Common Voice Twi.
  • Conversational + code-switch: WAXAL Akan (google/WaxalNLP, aka_asr, CC-BY-4.0).
  • English: FLEURS en_us (CC-BY).
  • ~109 h, char-level CTC, ɛ/ɔ preserved, NFC-normalized, untoned.

Training

w2v-BERT 2.0 CTC, 12 epochs on 8×A100, batch 4, lr 1e-4, MAX_S=25. Augmentation (TUBASTT_AUG_PROB=0.4): per-utterance 8 kHz G.711 μ-law round-trip + SpecAugment on train only. Code: models/asr/tubastt/. Per-source numbers above are the reported results; we do not quote a single combined dev WER, because our training-time eval metric pads accumulated logits in a way that inflates it — the per-source evaluation is the trustworthy measurement.

Usage

import torch, soundfile as sf
from transformers import Wav2Vec2BertForCTC, Wav2Vec2BertProcessor
proc = Wav2Vec2BertProcessor.from_pretrained("neriqlabs/tubastt-twi-en-asr-w2vbert-v0.5")
model = Wav2Vec2BertForCTC.from_pretrained("neriqlabs/tubastt-twi-en-asr-w2vbert-v0.5").eval()
wav, sr = sf.read("utt.wav")  # 16 kHz mono
feats = proc.feature_extractor(wav, sampling_rate=16000, return_tensors="pt").input_features
print(proc.batch_decode(model(feats).logits.argmax(-1))[0])

Limitations & next

  • Conversational WER (~26% clean / 28% phone) still above read speech — the honest production bar. Next lever: pseudo-label self-training on unlabeled Ghanaian audio (UGSpeech Akan ~1000 h).
  • WAXAL is Akan (Twi is a dialect); slight dialectal drift vs pure Asante Twi.
  • English accent skews to FLEURS (generic); Ghanaian-English polish planned.

Base: facebook/w2v-bert-2.0 (MIT). Built by Neriqlabs.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2BertForCTC
Ревизия весов
4271ab6

0 моделей