/ Модель

Характеристики

Параметры
1,3 млрд
Лицензия
CC BY-NC 4.0
Архитектура
wav2vec2 · dense
Базовая модель
mms-1b-all
Библиотека
transformers
Опубликована
28 июн 2026

mms-ewe-asr-mixed

Распознавание речиАудио → текст

Дообученная Wav2Vec2-модель для транскрибирования речи на языке эве в текст.

11скачиваний за 30 дней0лайковвеса обновлены20 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

mms-ewe-asr-mixed — модель распознавания речи на языке эве, разработанная Ромариком Наджире как академический проект и дообученная на основе facebook/mms-1b-all. Она использует архитектуру Wav2Vec2 с CTC-головой; обучались языковой адаптер MMS и CTC-голова, встроенные в веса. Модель принимает моноречь с частотой дискретизации 16 кГц и преобразует её в текст на эве.

Модель предназначена для транскрибирования эве, в том числе чтения и навигационных аудиозаписей. На смешанном валидационном наборе указаны WER 29,19% и CER 6,82%. Обучающие данные включали чтение Библии и речь из навигационного домена, поэтому качество ниже на спонтанной, разговорной и диалектной речи; также возможны ошибки в числах, переключении языков и именованных сущностях. Для других языков, сильно зашумлённых или дальнепольных записей модель не предназначена. Лицензия CC-BY-NC-4.0 ограничивает использование некоммерческими целями и требует учитывать условия атрибуции исходных данных.

Сценарии применения

  • транскрибирование чтения на эве
  • распознавание речи на эве в навигационных аудиозаписях
  • создание текстовых субтитров для аудио на эве

Ограничения

Модель ориентирована на эве и хуже справляется со спонтанной, разговорной и диалектной речью, числами, переключением языков и именованными сущностями; дальнепольная и сильно зашумлённая речь не поддерживается. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

mms-ewe-asr-mixed — Ewe speech recognition (MMS-1B fine-tune)

Fine-tuned version of facebook/mms-1b-all (Wav2Vec2 / CTC) for automatic speech recognition (ASR) in Ewe (ee, ewe_Latn), a low-resource Gbe language spoken in Togo and Ghana.

Only the language-specific MMS adapter and the CTC head are trained; the model loads with plain Wav2Vec2ForCTC (the Ewe adapter is baked into the weights).

Model details

  • Developed by: Romaric Nadjire — academic project (M1 AI, INF2229)
  • Task / type: Speech-to-text, Wav2Vec2 CTC (MMS)
  • Language: Ewe (ee)
  • Fine-tuned from: facebook/mms-1b-all
  • License: CC-BY-NC-4.0 (inherited from the base model — non-commercial, academic use)

Intended uses & limitations

  • Direct use: transcribing Ewe speech (mono, 16 kHz) to text.
  • Out of scope: other languages; far-field / very noisy audio; any commercial use.
  • Bias & limitations: training data is dominated by read speech (Bible readings and navigation prompts), so accuracy drops on spontaneous, conversational or dialectal speech. Numbers, code-switching and named entities are error-prone. Reported metrics are on the validation split of the mixed set.

Evaluation

ModelSplitWER (%) ↓CER (%) ↓
Baseline mms-1b-all (before fine-tuning)validation100.00236.73
This model (fine-tuned)validation29.196.82

WER = Word Error Rate, CER = Character Error Rate (lower is better). The mixed multi-domain validation set is deliberately harder than a Bible-only test set.

How to get started

import torch, soundfile as sf, soxr
from transformers import AutoProcessor, Wav2Vec2ForCTC

repo = "romaricnadjire/mms-ewe-asr-mixed"
processor = AutoProcessor.from_pretrained(repo)   # tokenizer target_lang="ewe" is baked in
model = Wav2Vec2ForCTC.from_pretrained(repo).eval()

audio, sr = sf.read("audio.wav", dtype="float32")
if audio.ndim == 2:
    audio = audio.mean(axis=1)
if sr != 16000:
    audio = soxr.resample(audio, sr, 16000)

inputs = processor(audio, sampling_rate=16000, return_tensors="pt")
with torch.inference_mode():
    logits = model(inputs.input_values).logits
pred_ids = torch.argmax(logits, dim=-1)
print(processor.batch_decode(pred_ids, skip_special_tokens=True)[0])

Training

  • Base: facebook/mms-1b-all (MMS adapter + CTC head trained; ctc_zero_infinity=True).
  • Data: a mixed 16 kHz Ewe corpus combining BibleTTS Ewe readings and GhanaNLP navigation-domain speech.
  • Setup: 8000 steps, lr 3e-4, effective batch size 32 (4 × 8 grad. accum.), linear schedule, 500 warmup steps, AMP. Trained on Kaggle GPU.

Data sources & attribution

  • BibleTTS (Ewe) — BibleTTS, licensed CC-BY-SA 4.0. Attribution required.
  • GhanaNLP Ewe speech corpora (navigation / Bible audio).
  • Base model MMS (facebook/mms-1b-all) by Meta AI — CC-BY-NC 4.0.

License & citation

This model is a derivative of facebook/mms-1b-all and is released under CC-BY-NC-4.0 (non-commercial). Please credit the base model (Meta MMS) and the data sources above (notably BibleTTS, CC-BY-SA 4.0).

Academic / portfolio project. Not legal advice; verify licenses before any non-research or commercial use.

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
902394c

0 моделей