/ Модель

Характеристики

Параметры
403 млн
Лицензия
MIT
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-xls-r-300m
Опубликована
27 июл 2026

wav2vec2-xls-r-latin

Распознавание речиАудио → текст3 профессии

Модель распознаёт чёткую речь на латинском языке с восстановленным классическим произношением и выводит текст с макронами и орфографией j/v.

53скачиваний за 30 дней0лайковвеса обновлены12 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

njand разработал модель распознавания речи на латинском языке, дообучив wav2vec2-xls-r-300m на чтении текстов из набора njand/llpsi-speech-dataset. Это аудиомодель архитектуры Wav2Vec2ForCTC с 402,7 млн параметров; репозиторий содержит веса Safetensors и ONNX, включая квантованный вариант ONNX INT8 для ускоренного вывода на CPU.

Модель предназначена для расшифровки чёткой речи одного диктора с восстановленным классическим произношением. Результат выводится строчными буквами без пунктуации, с макронами для долгих гласных и различением согласных j/v от гласных i/u. В README сообщаются результаты пятифолдовой перекрёстной проверки; языковое декодирование KenLM улучшало WER, но декодер в репозитории не предоставлен.

Модель рассчитана на классическую латынь и может хуже распознавать церковное или итальянское произношение, шумную запись и речь нескольких говорящих. Лицензия — MIT.

Сценарии применения

  • расшифровка чтения латинских текстов
  • транскрибация учебных записей на латыни
  • получение текста с макронами долгих гласных
  • распознавание латинской речи с классическим произношением

Ограничения

Модель оптимизирована для чистого чтения одним диктором с восстановленным классическим произношением; точность может снижаться при церковном произношении, шуме и перекрывающихся голосах. Декодер KenLM, для которого в README приведены улучшенные результаты, в репозитории не предоставлен.

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

Wav2Vec2 XLS-R 300M - Latin ASR (Restored Classical Pronunciation)

Fine-tuned version of facebook/wav2vec2-xls-r-300m for Latin Automatic Speech Recognition (ASR), trained on reading passages from njand/llpsi-speech-dataset.


🛠️ Model Variants & Optimization

To facilitate production deployment on CPU-based infrastructure, this repository provides the model in three formats:

FormatPrecisionFile SizeRecommended Use Case
PyTorchFP321.26 GBTraining, fine-tuning, and research
ONNXFP321.26 GBCross-platform inference
ONNX QuantizedINT8355 MBProduction, Edge, & CPU Inference

Why Quantized? The INT8 version offers ~3x faster inference speed on standard CPUs compared to the original FP32 PyTorch weights while retaining near-identical transcription accuracy.


🚀 Quickstart

Option 1: Standard Inference (PyTorch)

from transformers import pipeline

transcriber = pipeline("automatic-speech-recognition", model="njand/wav2vec2-xls-r-latin")
result = transcriber("sample.wav")
print(result["text"])

Option 2: Optimized Inference (Optimum ONNX Runtime)

For CPU inference, I recommend using the INT8 quantized model. Install dependencies: pip install "optimum[onnxruntime]"

from optimum.onnxruntime import ORTModelForCTC
from transformers import AutoProcessor

# Load the quantized model
model = ORTModelForCTC.from_pretrained(
    "njand/wav2vec2-xls-r-latin", 
    file_name="model_quantized.onnx"
)
processor = AutoProcessor.from_pretrained("njand/wav2vec2-xls-r-latin")

# Inference pipeline
inputs = processor("sample.wav", return_tensors="pt")
outputs = model(**inputs)
# ... decode outputs


🔤 Orthography & Text Normalization

This model transcribes audio using the following orthographic conventions:

  • Vowel Quantity: Macronizes long vowels (ā, ē, ī, ō, ū, ȳ).
  • Consonantal vs. Vocalic Glides: Distinguishes consonantal j and v from vocalic i and u (e.g., ējiciō rather than eicio, vīvus rather than uiuus).
  • Casing & Punctuation: Transcribes lowercase text with no punctuation.

📊 Cross-Validation Performance

Evaluated across 5-fold cross-validation on njand/llpsi-speech-dataset:

FoldStrict WERStrict CERNorm WERNorm CER
Fold 013.37%2.73%11.71%2.26%
Fold 113.10%2.77%11.40%2.28%
Fold 212.44%2.58%10.75%2.10%
Fold 313.06%2.74%11.43%2.27%
Fold 414.04%2.91%12.44%2.41%
Average (CV)13.20%2.74%11.54%2.27%

Note: Normalized WER/CER measure core word recognition (macrons stripped, j/v → i/u), while Strict WER/CER enforce exact macron placement and j/v orthography.


🧠 Language Model Decoding (KenLM + pyctcdecode)

To improve generalization beyond the limited training audio, I integrated a unigram language model (KenLM) using pyctcdecode. This decoder is not provided in this Hub, but you can view it in action at the Live Gradio Demo.

Lexicon & Model Construction

  • Lexicon Source: Derived from the comprehensive, fully inflected, macronized wordlist in the Alatius Latin Macronizer.
  • Enclitic Expansion: Every entry was programmatically augmented with common Latin enclitics (-que, -ve, -ne).
  • Generalization: Latin's rich inflectional system means a limited audio training set struggles with unseen word forms. The unigram LM supplies a morphological prior, enabling the decoder to correctly recognize and macronize valid inflected forms and enclitic combinations even if they never appeared in the training audio.

Decoder hyperparameters were tuned per fold using Optuna.

Constrained Decoding CV Performance

Impact: Drops mean WER from 13.20% → 8.70% (a 34.12% relative error reduction across all 5 folds).

FoldBaseline WERLM Decoded WERRelative Improvement
Fold 013.37%8.54%-36.12%
Fold 113.10%8.87%-32.27%
Fold 212.44%8.14%-34.57%
Fold 313.06%9.06%-30.63%
Fold 414.04%8.88%-36.77%
Mean13.20%8.70%-34.12%

Note: Character Error Rate (CER) saw a parallel improvement from 2.75% → 2.08% (-24.30% relative reduction).

Recommended Hyperparameters

Global Optuna optimization across the full dataset yielded the following optimal decoding parameters:

{
  "alpha": 0.20108,
  "beta": -0.89233,
  "unk_score_offset": -93.31052,
  "beam_prune_logp": -104.90582,
  "beam_width": 64
}

⚡ Environmental Impact & Compute

  • Hardware: NVIDIA L4 GPU (24GB VRAM) via Modal
  • Total Training Time: 10.47 hours
  • Estimated Carbon Emissions: 0.2872 kg CO2eq

⚠️ Limitations & Out-of-Scope Use

  • Pronunciation Variances: Performance will drop on audio using Ecclesiastical / Italianate pronunciation (e.g., pronouncing c before e/i as /tʃ/ rather than /k/).
  • Audio Conditions: Optimized for clear, single-speaker reading. Background noise or overlapping speakers will reduce accuracy significantly.

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
6dd18c6

0 моделей