/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Библиотека
transformers
Опубликована
13 авг 2024

uzbek-stt-3

Распознавание речиАудио → текст3 профессии

Дообученная на преимущественно юридических и военных данных модель Wav2Vec2 для распознавания узбекской речи и преобразования её в текст.

122 тыс.скачиваний за 30 дней5лайковвеса обновлены13 авг 2024

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

sarahai/uzbek-stt-3 — модель распознавания речи, разработанная Сарой Мусаевой при поддержке SSD. Это дообученная версия oyqiz/uzbek_stt, основанная преимущественно на данных, связанных с законодательством и военной тематикой. Модель предназначена для преобразования речи на узбекском языке в текст.

Модель построена на архитектуре Wav2Vec2 с CTC-декодером, содержит около 402,7 млн параметров и принимает аудио. Она распространяется в формате Safetensors по лицензии Apache-2.0. Специализация на юридических и военных данных может влиять на качество распознавания за пределами этих тематик; в карточке не приведены оценки качества или сведения о длине аудио.

Сценарии применения

  • Транскрибация узбекской речи
  • Распознавание узбекской речи в юридических материалах
  • Расшифровка военных аудиозаписей на узбекском языке

Ограничения

Модель дообучена преимущественно на данных юридической и военной тематики, поэтому качество на других темах может отличаться. В карточке не приводятся количественные оценки качества распознавания.

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

Model Card for Model ID

This model is a fine-tuned version of oyqiz/uzbek_stt based mainly on laws and military related dataset.

Model Details

Model Description

  • Developed by: Sara Musaeva
  • Funded by: SSD
  • Model type: Transformers
  • Language(s) (NLP): Uzbek
  • Finetuned from model: Oyqiz/uzbek-stt

Model Sources

Uses

Intended for Speech-to-text conversion

How to Get Started with the Model

from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC
import torch
import torchaudio

model_name = "sarahai/uzbek-stt-3"
model = Wav2Vec2ForCTC.from_pretrained(model_name)
processor = Wav2Vec2Processor.from_pretrained(model_name)

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)

def load_and_preprocess_audio(file_path):
    speech_array, sampling_rate = torchaudio.load(file_path)
    if sampling_rate != 16000:
        resampler = torchaudio.transforms.Resample(orig_freq=sampling_rate, new_freq=16000)
        speech_array = resampler(speech_array)
    return speech_array.squeeze().numpy()

def replace_unk(transcription):
    return transcription.replace("[UNK]", "ʼ")

audio_file = "/content/audio_2024-08-13_15-20-53.ogg"
speech_array = load_and_preprocess_audio(audio_file)

input_values = processor(speech_array, sampling_rate=16000, return_tensors="pt").input_values.to(device)

with torch.no_grad():
    logits = model(input_values).logits

predicted_ids = torch.argmax(logits, dim=-1)
transcription = processor.batch_decode(predicted_ids)

transcription_text = replace_unk(transcription[0])

print("Transcription:", transcription_text)

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
1dd15c1

0 моделей