/ Модель

Характеристики

Параметры
403 млн
Лицензия
CC BY-SA 4.0
Архитектура
wav2vec2-bert · dense
Базовая модель
w2v-bert-2.0
Библиотека
transformers
Опубликована
17 фев 2025

Shrutimala_Bangla_ASR

Распознавание речиАудио → текст8 профессий

Модель на базе Wav2Vec2-BERT распознаёт бенгальскую речь и преобразует её в текст.

58скачиваний за 30 дней2лайкавеса обновлены3 июл 2025

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

Sazzadul Islam разработал эту модель распознавания речи на бенгальском языке, дообучив facebook/w2v-bert-2.0. Это модель архитектуры Wav2Vec2-BERT с CTC-декодированием и 402,7 млн параметров; она принимает аудио и выдаёт текст. Модель предназначена для транскрибации бенгальской речи, голосовых помощников и средств доступности. В README заявлена поддержка бенгальского и английского языков, а также WER 11,26% и CER 2,39 на оценке бенгальской речи.

Модель лучше работает с чистой стандартной речью. Она может ошибаться на шумных записях, сильных региональных акцентах и редких речевых вариантах; для работы в реальном времени на маломощных устройствах потребуется оптимизация. Лицензия — CC-BY-SA-4.0.

Сценарии применения

  • транскрибация записей на бенгальском языке
  • распознавание бенгальской речи для голосовых помощников
  • создание субтитров для бенгальских аудио- и видеозаписей
  • распознавание речи в инструментах доступности
  • дообучение для медицинской или юридической транскрибации на бенгальском

Ограничения

Распознавание может ухудшаться на шумных записях, сильных региональных акцентах и редких речевых вариантах; работа в реальном времени на маломощных устройствах требует оптимизации.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for Shrutimala Bangla ASR

Model Details

Model Description

This model is a fine-tuned version of facebook/w2v-bert-2.0 for automatic speech recognition (ASR) in Bangla. The model has been trained on a large Bangla dataset, primarily sourced from Mozilla Common Voice 17.0, Common Voice 20.0, OpenSLR and achieves a Word Error Rate (WER) of 11%.

  • Developed by: Sazzadul Islam
  • Model type: Wav2Vec-BERT-based Bangla ASR model
  • Language(s): Bangla (bn)
  • License: CC-BY-SA-4.0
  • Fine-tuned from: facebook/w2v-bert-2.0

Uses

Direct Use

This model can be used for automatic speech recognition (ASR) in Bangla and English, with applications in transcription, voice assistants, and accessibility tools.

Downstream Use

It can be further fine-tuned for domain-specific ASR tasks, including medical or legal transcription in Bangla.

Out-of-Scope Use

  • Not suitable for real-time ASR on low-power devices without optimization.
  • May not perform well on noisy environments or highly accented regional dialects outside the training data.

Bias, Risks, and Limitations

  • The model may struggle with low-resource dialects and uncommon speech patterns.
  • Biases may exist due to dataset imbalances in gender, age, or socio-economic backgrounds.
  • Ethical considerations should be taken when using the model for surveillance or sensitive applications.

How to Get Started with the Model

Use the following code snippet to load the model:

from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC
import torch

processor = Wav2Vec2Processor.from_pretrained("your_model_id")
model = Wav2Vec2ForCTC.from_pretrained("your_model_id")

# Load and process audio file
audio_input = ...  # Provide audio tensor
inputs = processor(audio_input, return_tensors="pt", sampling_rate=16000)

# Perform ASR
with torch.no_grad():
    logits = model(**inputs).logits
predicted_ids = torch.argmax(logits, dim=-1)
transcription = processor.batch_decode(predicted_ids)
print(transcription)

Training Details

Training Data

The model was trained on the Mozilla Common Voice 17.0, Common Voice 20.0 and OpenSLR dataset for Bangla.

Training Procedure

Preprocessing

  • Audio was resampled to 16kHz-8kHz-16kHz.
  • Transcripts were normalized to improve ASR performance.

Training Hyperparameters

  • Batch Size: 16
  • Learning Rate: 1e-5
  • Training Steps: 25000
  • Mixed Precision: FP16

Training Time and Compute

  • Hardware Used: RTX 4090
  • Training Time: 37 Hours
  • Dataset Size: 143k

Evaluation

Testing Data & Metrics

Metrics

  • WER: 11.26%
  • CER: 2.39

Factors

The model was evaluated on:

  • Standard Bangla speech
  • Various speaker demographics

Results

  • Performs well on clear, standard Bangla speech.
  • Struggles with strong regional accents and noisy environments.

Technical Specifications

Model Architecture

The model is based on facebook/w2v-bert-2.0, a hybrid Wav2Vec2-BERT model for ASR.

Citation

This model is based on the research presented in the following paper. If you use this model, please cite the original authors:

@misc{ridoy2025adaptabilityasrmodelslowresource,
      title={Adaptability of ASR Models on Low-Resource Language: A Comparative Study of Whisper and Wav2Vec-BERT on Bangla}, 
      author={Md Sazzadul Islam Ridoy and Sumi Akter and Md. Aminur Rahman},
      year={2025},
      eprint={2507.01931},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2507.01931}, 
}

Contact

For any issues or inquiries, please contact isazzadul23@gmail.com.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2BertForCTC
Ревизия весов
9c3cdc5

0 моделей