/ Модель

Характеристики

Размер весов
15,7 ГБ
Лицензия
Apache 2.0
Архитектура
gemma3n · dense
Базовая модель
gemma-3n-E4B-it
Опубликована
28 окт 2025

MasriSwitch-Gemma3n-Transcriber-v1

Распознавание речиАудио → текст9 профессий

Модель распознаёт египетскую арабскую речь и смешанную арабско-английскую речь, преобразуя короткие аудиозаписи в текст.

64скачиваний за 30 дней16лайковвеса обновлены17 апр 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

MasriSwitch-Gemma3n-Transcriber-v1 — модель автоматического распознавания речи, разработанная oddadmix на архитектуре условной генерации Gemma 3n и дообученная на египетском арабском и речи с переключением между арабским и английским. Она предназначена для преобразования коротких и средних аудиозаписей в текст, в том числе голосовых заметок, звонков поддержки, встреч, интервью и материалов для соцсетей. В карточке указаны датасет арабско-английской речи с переключением языков и частный набор разговорных египетских записей. Модель принимает аудио и выдаёт текст; форматы весов — safetensors. Лицензия — Apache-2.0.

Модель ориентирована на египетский диалект и естественное переключение арабского и английского в одной фразе. Для длинных записей рекомендуется разбивать аудио на отрезки примерно по 20–30 секунд. Лучше всего работает с чистой речью одного говорящего; качество может снижаться при сильном шуме, одновременной речи и быстром темпе. Она не оптимизирована для диалектов Персидского залива и Леванта или только литературного арабского; транскрипции чувствительных записей требуют осторожного обращения и проверки человеком.

Сценарии применения

  • транскрибация египетской разговорной речи
  • распознавание арабско-английского переключения языков в одной записи
  • создание субтитров для коротких видео на египетском арабском
  • расшифровка голосовых заметок и интервью
  • транскрибация звонков службы поддержки
  • поиск по содержанию арабских аудиозаписей

Ограничения

Лучше работает с чистой речью одного говорящего; шум, перекрывающиеся голоса и быстрый темп могут ухудшать распознавание. Не оптимизирована для диалектов Персидского залива, Леванта и только литературного арабского; длинные записи рекомендуется делить на отрезки по 20–30 секунд.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

🇪🇬🎙 MasriSwitch-Gemma3n-Transcriber-v1

MasriSwitch-Gemma3n-Transcriber is an automatic speech transcription model specialized for Egyptian Arabic with strong English code-switching capabilities.

This model is one of the very few publicly available systems explicitly optimized for:

  • Egyptian Arabic dialect transcription
  • Natural Arabic ↔ English code-switching
  • Short and medium-length real-world audio

The model is trained using:

  • MohamedRashad/arabic-english-code-switching dataset
  • A private Egyptian speech dataset containing real conversational audio, voice notes, and mixed Arabic/English speech recordings

🔍 Overview

MasriSwitch-Gemma3n-Transcriber is built on the Gemma3n conditional generation architecture and fine-tuned to understand natural Egyptian speech patterns, including mixed Arabic/English utterances commonly used in daily life, workplaces, and online content.

It is suitable for:

  • Social media content transcription
  • Customer support calls
  • Meetings, voice notes, and interviews
  • Research in dialectal ASR
  • Multilingual speech processing

✨ Features

  • 🗣 Egyptian Arabic dialect-aware transcription
  • 🔀 Accurate English code-switching support
  • 🎧 Strong performance on informal, real-world speech
  • ⚡ Optimized for short (10–30s) audio segments
  • 🤖 Built using the Gemma3n generation-based ASR pipeline

🎯 Intended Use

Use this model for:

  • Speech-to-text systems
  • Captioning and subtitling
  • Chat or voice assistant pipelines
  • Indexing/searching Arabic audio content
  • Research and experimentation

⚠️ Limitations

  • Best results with clean audio and single speakers
  • Not optimized for Gulf, Levantine, or MSA-only speech
  • Struggles with:
    • Heavy noise
    • Overlapping speakers
    • Fast speech
  • Long recordings should be segmented (20–30s recommended)

🛡 Safety & Privacy

  • Transcriptions may include sensitive user data — handle with care.
  • Should not be used for high-stakes decisions without human review.
  • Biases in training data may affect accuracy.

🧪 Inference Example (Python)

import torch
from transformers import AutoProcessor, Gemma3nForConditionalGeneration

MODEL_ID = "oddadmix/egyptian-code-switching-b4-g2-merged"

def load_model_and_processor(model_id=MODEL_ID, device=None):
    if device is None:
        device = "cuda" if torch.cuda.is_available() else "cpu"

    print(f"Loading model {model_id} to device {device}...")
    
    model = Gemma3nForConditionalGeneration.from_pretrained(
        model_id,
        torch_dtype=torch.bfloat16 if device == "cuda" else None,
        device_map="auto" if device == "cuda" else None,
    ).eval()

    if not any(p.device.type == "cuda" for p in model.parameters()) and device == "cuda":
        model.to("cuda")

    processor = AutoProcessor.from_pretrained(model_id)
    return model, processor, device


def transcribe_file(model, processor, audio_path, max_new_tokens=128):
    if not audio_path:
        raise ValueError("audio_path must point to an audio file")

    messages = [
        {
            "role": "system",
            "content": [
                {"type": "text", "text": "You are an assistant that transcribes speech accurately."}
            ],
        },
        {
            "role": "user",
            "content": [
                {"type": "audio", "url": audio_path},
                {"type": "text", "text": "Please transcribe this audio."}
            ],
        },
    ]

    inputs = processor.apply_chat_template(
        messages,
        add_generation_prompt=True,
        tokenize=True,
        return_dict=True,
        return_tensors="pt",
    )

    device = next(model.parameters()).device
    inputs = {k: v.to(device) for k, v in inputs.items()}
    input_len = inputs["input_ids"].shape[-1]

    with torch.inference_mode():
        generated = model.generate(
            **inputs,
            max_new_tokens=max_new_tokens,
            do_sample=False,
        )

    gen_tokens = generated[0][input_len:]
    text = processor.decode(gen_tokens, skip_special_tokens=True)
    return text


if __name__ == "__main__":
    audio_path = "path/to/audio.wav"
    model, processor, device = load_model_and_processor()
    transcription = transcribe_file(model, processor, audio_path, max_new_tokens=256)
    print("Transcription:", transcription)

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Gemma3nForConditionalGeneration
Ревизия весов
d6402da

0 моделей