/ Модель

Характеристики

Лицензия
CC BY 4.0
Базовая модель
stt_es_conformer_transducer_large
Опубликована
20 ноя 2024

stt_ca-es_conformer_transducer_large

Распознавание речиАудио → текст

Двуязычная модель Conformer-Transducer для транскрибации каталонской и испанской речи в текст без пунктуации.

149скачиваний за 30 дней2лайкавеса обновлены28 окт 2025

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

stt_ca-es_conformer_transducer_large — акустическая модель распознавания речи, дообученная подразделением Language Technologies Unit Барселонского суперкомпьютерного центра на базе NVIDIA/stt_es_conformer_transducer_large. Модель предназначена для двуязычного распознавания каталонской и испанской речи и преобразует аудио в текст без пунктуации, записанный строчными буквами. Архитектура — Conformer-Transducer, вариант large, около 120 млн параметров.

Модель дообучена на двуязычном наборе данных общим объёмом 7426 часов, включая парламентские записи, материалы вещательных организаций и открытые речевые корпуса. Для запуска требуется NVIDIA NeMo. Репозиторий распространяется по лицензии CC BY 4.0. Карточка не приводит оценки качества и не описывает ограничения по акустическим условиям или типам аудио.

Сценарии применения

  • транскрибация аудио на каталонском языке
  • транскрибация аудио на испанском языке
  • распознавание речи в парламентских записях
  • преобразование каталонских и испанских аудиозаписей в текст

Ограничения

Вывод предназначен для текста без пунктуации и в нижнем регистре. Карточка не приводит метрик качества или описания устойчивости к шуму и различным условиям записи.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

NVIDIA Conformer-Transducer Large (ca-es)

Table of Contents

Summary

The "stt_ca-es_conformer_transducer_large" is an acoustic model based on "NVIDIA/stt_es_conformer_transducer_large" suitable for Bilingual Catalan-Spanish Automatic Speech Recognition.

Model Description

This model transcribes speech in lowercase Catalan and Spanish alphabet including spaces, and was fine-tuned on a Bilingual ca-es dataset comprising of 7426 hours. It is a "large" variant of Conformer-Transducer, with around 120 million parameters. See the model architecture section and NeMo documentation for complete architecture details.

Intended Uses and Limitations

This model can be used for Automatic Speech Recognition (ASR) in Catalan and Spanish. It is intended to transcribe audio files in Catalan and Spanish to plain text without punctuation.

Installation

To use this model, install NVIDIA NeMo. We recommend you install it after you've installed the latest PyTorch version.

pip install nemo_toolkit['all']

For Inference

To transcribe audio in Catalan or in Spanish using this model, you can follow this example:

import nemo.collections.asr as nemo_asr

nemo_asr_model = nemo_asr.models.EncDecRNNTBPEModel.restore_from(model)
transcription = nemo_asr_model.transcribe([audio_path])[0].text
print(transcription)

Training Details

Training data

The model was trained on bilingual datasets in Catalan and Spanish, for a total of 7k hours. Including:

Training procedure

This model is the result of finetuning the base model "Nvidia/stt_es_conformer_transducer_large" by following this tutorial.

Citation

If this model contributes to your research, please cite the work:

@misc{conformer-transducer-BSC-2024,
      title={Bilingual ca-es ASR Model: stt_ca-es_conformer_transducer_large.}, 
      author={Messaoudi, Abir; Külebi, Baybars},
      organization={Barcelona Supercomputing Center},
      url={https://huggingface.co/projecte-aina/stt_ca-es_conformer_transducer_large},
      year={2024}
}

Additional Information

Author

The fine-tuning process was performed during 2024 in the Language Technologies Unit of the Barcelona Supercomputing Center by Abir Messaoudi.

For the Catalan Valencian data, we had the collaboration of CENID within the framework of the ILENIA project.

Contact

For further information, please send an email to langtech@bsc.es.

Copyright

Copyright(c) 2024 by Language Technologies Unit, Barcelona Supercomputing Center.

License

CC-BY-4.0

Funding

This work is funded by the Ministerio para la Transformación Digital y de la Función Pública - Funded by EU – NextGenerationEU within the framework of the project ILENIA with reference 2022/TL22/00215337.

The training of the model was possible thanks to the computing time provided by Barcelona Supercomputing Center through MareNostrum 5.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели NVIDIA NeMo требуют отдельного рантайма.

Ревизия весов
3b4a7bd

0 моделей