/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-lv-60-espeak-cv-ft
Библиотека
transformers.js
Опубликована
29 янв 2026

wav2vec2-lv-60-espeak-cv-ft-ONNX

Распознавание речиАудио → текст3 профессии

onnx-community/wav2vec2-lv-60-espeak-cv-ft — это ONNX-версия модели facebook/wav2vec2-lv-60-espeak-cv-ft, разработанной на базе Wav2Vec2-Large-LV60.

1 488скачиваний за 30 дней2лайкавеса обновлены21 мая 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

Модель создана авторами Qiantong Xu, Alexei Baevski и Michael Auli и автоматически преобразована в формат ONNX для использования, в частности, с Transformers.js.

Модель предназначена для автоматического распознавания речи и фонем в многоязычных сценариях. Она принимает аудио с частотой дискретизации 16 кГц и преобразует речь в последовательность фонетических меток. Для получения слов из результата требуется отдельный словарь, сопоставляющий фонетические метки словам. Модель дообучена на многоязычном наборе Common Voice и ориентирована на перенос распознавания между языками, включая распознавание ранее не встречавшихся языков.

Ключевые сведения о размере и точном составе поддерживаемых языков в README не указаны. Модель работает с аудио и не генерирует напрямую текстовую транскрипцию слов, что ограничивает её применение без дополнительного словаря или постобработки. Лицензия — Apache-2.0.

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-lv-60-espeak-cv-ft (ONNX)

This is an ONNX version of facebook/wav2vec2-lv-60-espeak-cv-ft. It was automatically converted and uploaded using this Hugging Face Space.

Usage with Transformers.js

See the pipeline documentation for automatic-speech-recognition: https://huggingface.co/docs/transformers.js/api/pipelines#module_pipelines.AutomaticSpeechRecognitionPipeline


Wav2Vec2-Large-LV60 finetuned on multi-lingual Common Voice

This checkpoint leverages the pretrained checkpoint wav2vec2-large-lv60 and is fine-tuned on CommonVoice to recognize phonetic labels in multiple languages.

When using the model make sure that your speech input is sampled at 16kHz. Note that the model outputs a string of phonetic labels. A dictionary mapping phonetic labels to words has to be used to map the phonetic output labels to output words.

Paper: Simple and Effective Zero-shot Cross-lingual Phoneme Recognition

Authors: Qiantong Xu, Alexei Baevski, Michael Auli

Abstract Recent progress in self-training, self-supervised pretraining and unsupervised learning enabled well performing speech recognition systems without any labeled data. However, in many cases there is labeled data available for related languages which is not utilized by these methods. This paper extends previous work on zero-shot cross-lingual transfer learning by fine-tuning a multilingually pretrained wav2vec 2.0 model to transcribe unseen languages. This is done by mapping phonemes of the training languages to the target language using articulatory features. Experiments show that this simple method significantly outperforms prior work which introduced task-specific architectures and used only part of a monolingually pretrained model.

The original model can be found under https://github.com/pytorch/fairseq/tree/master/examples/wav2vec#wav2vec-20.

Usage

To transcribe audio files the model can be used as a standalone acoustic model as follows:

 from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC
 from datasets import load_dataset
 import torch
 
 # load model and processor
 processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-lv-60-espeak-cv-ft")
 model = Wav2Vec2ForCTC.from_pretrained("facebook/wav2vec2-lv-60-espeak-cv-ft")
     
 # load dummy dataset and read soundfiles
 ds = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")
 
 # tokenize
 input_values = processor(ds[0]["audio"]["array"], return_tensors="pt").input_values
 
 # retrieve logits
 with torch.no_grad():
   logits = model(input_values).logits
 
 # take argmax and decode
 predicted_ids = torch.argmax(logits, dim=-1)
 transcription = processor.batch_decode(predicted_ids)
 # => should give ['m ɪ s t ɚ k w ɪ l t ɚ ɹ ɪ z ð ɪ ɐ p ɑː s əl ʌ v ð ə m ɪ d əl k l æ s ᵻ z æ n d w iː ɑːɹ ɡ l æ d t ə w ɛ l k ə m h ɪ z ɡ ɑː s p əl']

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers.js

Нельзя запустить

Модель выложена для браузера (ONNX / transformers.js), для GPU-рантайма нет весов.

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
c69750f

0 моделей