/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-xls-r-300m
Опубликована
27 авг 2026

welsh-asr-xlsr-300m

Распознавание речиАудио → текст4 профессии

Дообученная XLS-R модель для транскрибации валлийской речи в текст.

17скачиваний за 30 дней0лайковвеса обновлены28 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

Модель pnawani/welsh-asr-xlsr-300m разработана как дообученная версия Facebook wav2vec2-XLS-R 300M для автоматического распознавания речи на валлийском языке. Это модель архитектуры Wav2Vec2ForCTC с символьной CTC-головой; она принимает аудио и выдаёт текст. Обучение выполнено на 11,3 часа валлийской части набора FLEURS. На тесте FLEURS авторы сообщают WER 0,3991 и CER 0,1141; в их сравнении с Whisper-small без дообучения модель показала лучшие результаты на том же тестовом аудио и при одинаковой нормализации текста.

Модель подходит для транскрибации записанной валлийской речи, особенно чтения вслух, похожего на данные FLEURS. Лицензия — Apache-2.0. Модель хуже подходит для спонтанной разговорной речи и диалектов, недостаточно представленных в обучающих данных.

Сценарии применения

  • транскрибация записанной речи на валлийском языке
  • распознавание валлийской речи в аудиозаписях
  • создание текстовых расшифровок валлийских аудиоматериалов

Ограничения

Модель не преобразует произнесённые числа в цифры; также часто ошибается в валлийских гласных с циркумфлексом и близких по звучанию гласных. Обучение на чтении вслух из FLEURS может приводить к снижению качества на спонтанной речи и недостаточно представленных диалектах.

Для каких профессий подходит4

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

Welsh ASR — XLS-R 300m fine-tuned on FLEURS Welsh

facebook/wav2vec2-xls-r-300m fine-tuned for Welsh speech recognition with a character-level CTC head.

Results

FLEURS Welsh test set, 1021 utterances. Zero-shot Whisper-small is scored on the same audio through an identical text-normalization path.

ModelWER ↓CER ↓WER, no digitsCER, no digits
Whisper-small (zero-shot)0.59870.22890.58530.2149
This model0.39910.11410.38790.1098
relative change−33.3%−50.1%−33.7%−48.9%

About a fifth of FLEURS utterances contain numerals, which a character-level CTC model cannot produce from audio, so results are given both overall and on the digit-free subset. Both models are always scored on the same subsets.

Usage

from transformers import pipeline

pipe = pipeline("automatic-speech-recognition",
                model="pnawani/welsh-asr-xlsr-300m")
print(pipe("audio.wav")["text"])

The model expects 16 kHz mono audio. Output is lowercase, without punctuation, and keeps the Welsh circumflex vowels âêîôŵŷ.

Training

DataFLEURS Welsh, 11.3 h after filtering (2784 clips)
Steps2100 (~12 epochs)
Batch2 × 8 gradient accumulation (effective 16)
Learning rate3e-4, 200 warmup steps, fp16
Hardwareone free Colab T4

Two filters matter. Clips over 30 s are dropped, costing 1.7% of the data; the 20 s cutoff common in XLS-R tutorials would discard 31%, as FLEURS utterances are unusually long. Separately, ~15% of the train split pairs a truncated clip with its full transcript — in the worst case 0.96 s of audio against 303 characters. wav2vec2 downsamples by 320, so CTC cannot emit those labels and returns infinite loss, which becomes NaN gradients within two steps. Those clips are short, so removing them costs under 1 of 12.2 hours.

Text is lowercased, apostrophes deleted (mae'r → maer) and punctuation stripped. Welsh circumflex vowels are kept; other diacritics are folded to their base letters. The vocabulary is 45 characters.

Limitations

Numerals. The model cannot transcribe spoken numbers as digits — there is no acoustic evidence mapping dwy fil ar bymtheg to 2019. Roughly 19% of the test set contains numerals.

Circumflex vowels. Only 57% of the circumflex vowels present in references are produced (259 of 457); â → a accounts for 147 substitutions. The circumflex marks vowel length in Welsh (tan "fire" vs tân "until"), which is acoustically subtle and often recoverable only from context. A CTC decoder with no language model has no mechanism for this.

Vowel confusion is the dominant error. Fine-tuning halved character substitutions (14,032 → 6,681), but vowel-for-vowel confusion still accounts for 41% of them — essentially unchanged from the baseline's 41.3%. Welsh y, u and i are acoustically close and map onto no single English vowel.

No language model. Decoding is plain CTC argmax. A KenLM decoder would likely recover a substantial part of both the circumflex and vowel-confusion errors.

Domain. FLEURS is read speech from Wikipedia-style text. Expect degradation on spontaneous or conversational Welsh, and on dialects under-represented in FLEURS.

Code

Training, evaluation and error-analysis code: https://github.com/paarthN/welsh-asr

Acknowledgments

FLEURS (Google), XLS-R (Meta AI), Hugging Face Transformers.

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
9e7659d

0 моделей