/ Модель

Характеристики

Лицензия
CC BY-NC-SA 4.0
Библиотека
transformers
Опубликована
21 авг 2026

nileagi-suk-stt

Распознавание речиАудио → текст

Модель NileAGI преобразует начитанную речь на сукума в текст с орфографией, использующей макроны.

0скачиваний за 30 дней0лайковвеса обновлены25 авг 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

NileAGI Sukuma STT — модель распознавания речи, созданная Zephania и Isack Odero. Она преобразует речь на языке сукума в текст на сукума с использованием орфографии с макронами (ā ē ī ō ū). Модель предназначена для исследовательской расшифровки начитанной речи и пакетной офлайн-обработки повествовательных аудиозаписей.

Для входа предпочтительны монофонические аудиозаписи с частотой 16 кГц; длинные записи рекомендуется делить на фрагменты до 30 секунд. На отложенном тесте из 94 окон получены WER 21,3% и CER 4,9%. Модель не предназначена для распознавания английской или суахили речи. Веса доступны по запросу и распространяются по лицензии CC BY-NC-SA 4.0; требуется указание авторства NileAGI, а коммерческое использование требует отдельной лицензии.

Сценарии применения

  • расшифровка начитанных записей на сукума
  • пакетное офлайн-распознавание повествовательной речи на сукума
  • подготовка транскриптов для исследовательских проектов по сукума
  • преобразование аудио на сукума в текст для последующей обработки

Ограничения

Оценка основана на небольшом тесте из 94 окон и настройке с одним диктором; на разговорной, телефонной и шумной полевой записи качество может быть хуже. Имена и редкие основы часто распознаются приблизительно, а написание с макронами может отличаться от других орфографических вариантов сукума.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Sukuma STT

Authors: Zephania and Isack Odero

Sukuma speech recognition for the macron orthography (ā ē ī ō ū). Input is Sukuma audio; output is Sukuma text.

This is not English or Swahili ASR. For Swahili → Sukuma text, use nileagi/nileagi-suk-mt.

Lite siblingnileagi/nileagi-suk-stt-lite
Collectionnileagi/nileagi-suk

Demo

One short demo clip (16 kHz mono), pitch-shifted so the raw speaker identity is not exposed:

FileReference (Sukuma)
samples/sample_01.wavŪ Luuzi ūhaya, "Mayū nakwīta gīt'ūmo ūlīhayīla."
from transformers import pipeline

stt = pipeline(
    "automatic-speech-recognition",
    model="nileagi/nileagi-suk-stt",
    chunk_length_s=30,
    ignore_warning=True,
)
print(stt("samples/sample_01.wav")["text"])

Prefer 16 kHz mono. Split longer files into ≤30 s chunks.

Summary

TaskAutomatic speech recognition
LanguageSukuma (suk)
DirectionSukuma speech → Sukuma text
OrthographyLatin with vowel macrons
Training windows16,792 · ~98.1 h
Validation windows636 · ~3.6 h
Test windows94 · ~0.5 h
Window length0.5–30 s
Split rulewhole document groups
Primary metricsWER, CER

Evaluation

Held-out document-group test (94 windows) — the number to quote:

SplitWERCER
Test (94)21.3%4.9%

Lite on the same split: WER 26.1%, CER 6.4%. Conversational or noisy audio will be worse than read-aloud Sukuma.

How to use

from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline
import torch

repo = "nileagi/nileagi-suk-stt"
device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if device.startswith("cuda") else torch.float32

processor = AutoProcessor.from_pretrained(repo)
model = AutoModelForSpeechSeq2Seq.from_pretrained(repo, torch_dtype=torch_dtype)
model.to(device)

stt = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    chunk_length_s=30,
    batch_size=8,
    device=device,
    ignore_warning=True,
)
print(stt("sukuma.wav")["text"])
from huggingface_hub import hf_hub_download

wav = hf_hub_download("nileagi/nileagi-suk-stt", "samples/sample_01.wav")
print(stt(wav)["text"])

Intended use

  • Research transcription of Sukuma read-aloud speech
  • Offline batch ASR for narrative Sukuma
  • Downstream pipelines that already have Sukuma audio

Out of scope

  • English or Swahili speech recognition
  • Conversational, telephone, or high-noise field audio
  • Legal / medical transcripts
  • Real-time assistants without further adaptation
  • Commercial products without a licence from NileAGI

Limitations

  • Single read-aloud speaker setting
  • Small document-group test (94 windows); scores move if the test documents change
  • Names and rare stems are often approximated
  • Macron spelling may differ from other Sukuma orthographies

Related

Access

Weights are gated under CC BY-NC-SA 4.0.

  1. Open Request access at the top of this page and describe your intended use.
  2. After approval, authenticate (huggingface-cli login or HF_TOKEN) and download or load the model.

Attribute NileAGI when you use or redistribute the weights. Adapted weights must stay under CC BY-NC-SA 4.0. Commercial licensing: hi@nileagi.com.

License

Weights: CC BY-NC-SA 4.0.
See LICENSE and NOTICE.md.

Citation

@misc{nileagi-suk-stt-2026,
  title        = {Sukuma speech-to-text},
  author       = {Zephania and Isack Odero},
  year         = {2026},
  howpublished = {Hugging Face},
  url          = {https://huggingface.co/nileagi/nileagi-suk-stt},
  note         = {NileAGI}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
31187d8

0 моделей