/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-xls-r-300m
Библиотека
transformers
Опубликована
17 июн 2026

wav2vec2-xls-r-300m-korean-english

Распознавание речиАудио → текст4 профессии

Модель wav2vec2 XLS-R распознаёт корейскую, английскую и смешанную корейско-английскую речь с выводом на основе джамо и латинских символов.

94скачиваний за 30 дней1лайквеса обновлены17 июн 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

Это акустическая модель распознавания речи на базе wav2vec2 XLS-R, дообученная автором raniczan для корейской и английской речи с переключением языков. Модель использует архитектуру Wav2Vec2ForCTC и выдаёт посимвольные вероятности по компактному алфавиту примерно из 105 корейских джамо и латинских символов; размер по метаданным — 403,1 млн параметров.

Модель предназначена для транскрибирования корейской, английской и смешанной корейско-английской речи. Перед декодированием целевой текст нужно разложить на джамо в нормализации NFD, а результат распознавания собрать обратно в NFC. Обучение проводилось на 17,4 часах чистой синтезированной речи; акустический энкодер базовой модели был заморожен, а CTC-голова обучена заново.

Модель распространяется по лицензии Apache-2.0. Обучение на синтезированной речи и ограниченный объём данных могут снижать качество на естественной речи и реальных аудиозаписях; требуется согласованная с моделью обработка корейского текста.

Сценарии применения

  • транскрибирование корейской речи
  • транскрибирование английской речи
  • распознавание речи с переключением между корейским и английским
  • расшифровка коротких синтезированных корейско-английских аудиофрагментов

Ограничения

Модель обучена на ограниченном объёме чистой синтезированной речи, поэтому её качество на естественной речи и шумных записях может быть ниже. Для корейского текста требуется разложение на джамо перед декодированием и обратная сборка результата.

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

wav2vec2-xls-r-300m-korean-english

A jamo + Latin CTC acoustic model fine-tuned from facebook/wav2vec2-xls-r-300m for Korean / English code-switched speech. It emits per-frame character probabilities over a compact jamo + Latin vocabulary.

Training

  • Base: facebook/wav2vec2-xls-r-300m (300M multilingual wav2vec2), feature encoder frozen.
  • Head: fresh CTC head over a ~105-token jamo + Latin vocab.
  • Data: 17.4 h of clean TTS-synthesized KO/EN/mixed speech (~13.5k clips, 0.3–15 s), roughly 57% code-switched / 22% English / 21% Korean.
  • Recipe: 15 epochs, lr 3e-4, batch 16, bf16, best checkpoint by CER.

Important: jamo preprocessing

The vocab is jamo (decomposed Hangul) + Latin, not raw syllables. You MUST decompose target text the same way, and recompose model output:

import unicodedata
def to_jamo(t):   # text -> model target space (NFD on Hangul only)
    return "".join(unicodedata.normalize("NFD", c) if "가" <= c <= "힣" else c for c in t)
def from_jamo(t): # model output -> readable text
    return unicodedata.normalize("NFC", t)

Usage

import soundfile as sf, unicodedata
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

proc = Wav2Vec2Processor.from_pretrained("raniczan/wav2vec2-xls-r-300m-korean-english")
model = Wav2Vec2ForCTC.from_pretrained("raniczan/wav2vec2-xls-r-300m-korean-english").eval()

wav, sr = sf.read("clip.wav")  # resample to 16 kHz first if needed
x = proc(wav, sampling_rate=16000, return_tensors="pt").input_values
ids = model(x).logits.argmax(-1)[0]
print(unicodedata.normalize("NFC", proc.decode(ids)))

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
3bb93c0

0 моделей