Характеристики

Параметры: 403 млн
Лицензия: Apache 2.0
Архитектура: wav2vec2 · dense
Базовая модель: wav2vec2-large-xlsr-53-esperanto
Библиотека: transformers
Опубликована: 20 ноя 2025

Ссылки

Hugging Face

wav2vec2-large-xlsr-53-esperanto-esperanto-asr-augment-dynamic

scinerd68

Распознавание речиАудио → текст4 профессии

Дообученная модель Wav2Vec2 для распознавания эсперанто и преобразования речи в текст.

16скачиваний за 30 дней0лайковвеса обновлены23 ноя 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

Модель scinerd68/wav2vec2-large-xlsr-53-esperanto-esperanto-asr-augment-dynamic — дообученная версия cpierse/wav2vec2-large-xlsr-53-esperanto на архитектуре Wav2Vec2ForCTC. Она преобразует аудиозаписи речи на эсперанто в текст. В карточке приведены результаты оценки: loss 0,2010 и WER 0,2699; подробности набора данных и сценария оценки не раскрыты. Модель содержит 402,7 млн параметров, использует библиотеку Transformers и распространяется в формате Safetensors. Лицензия — Apache-2.0.

Сценарии применения

транскрибирование записей речи на эсперанто
распознавание эсперанто в аудиозаписях
создание текстовых расшифровок аудиоматериалов на эсперанто

Ограничения

Для оценки указаны WER 0,2699 и loss 0,2010, однако набор данных и подробности протокола оценки не описаны. Качество на других источниках аудио и условиях записи по карточке оценить нельзя.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953модели I.9Универсальные способностиАудио и музыкаAI помогает анализировать, очищать, преобразовывать и создавать звук и музыку.15 задач4 835моделей I.6Универсальные способностиПеревод и языковая адаптацияAI помогает переносить смысл между языками, форматами и культурными контекстами.16 задач16 710моделей I.7Универсальные способностиРечь, диалоги и встречиAI помогает понимать разговорную речь, поддерживать диалог и превращать встречи в структурированные результаты.17 задач26 923модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

wav2vec2-large-xlsr-53-esperanto-esperanto-asr-augment-dynamic

This model is a fine-tuned version of cpierse/wav2vec2-large-xlsr-53-esperanto on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.2010
Wer: 0.2699

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 0.0003
train_batch_size: 4
eval_batch_size: 8
seed: 42
gradient_accumulation_steps: 2
total_train_batch_size: 8
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 500
num_epochs: 30
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Wer
0.7886	0.1333	100	0.6312	0.8321
0.4812	0.2667	200	0.3694	0.7322
0.3773	0.4	300	0.2779	0.6179
0.3527	0.5333	400	0.2169	0.5091
0.3208	0.6667	500	0.1829	0.4537
0.3476	0.8	600	0.1861	0.4446
0.3121	0.9333	700	0.1748	0.4226
0.314	1.0667	800	0.1695	0.4265
0.2613	1.2	900	0.1648	0.4155
0.3094	1.3333	1000	0.1633	0.4153
0.2587	1.4667	1100	0.1565	0.3965
0.3307	1.6	1200	0.1621	0.3955
0.289	1.7333	1300	0.1615	0.4014
0.2736	1.8667	1400	0.1471	0.3790
0.2489	2.0	1500	0.1560	0.3801
0.2956	2.1333	1600	0.1531	0.3809
0.2427	2.2667	1700	0.1568	0.3869
0.2756	2.4	1800	0.1559	0.3884
0.3154	2.5333	1900	0.1532	0.3921
0.2561	2.6667	2000	0.1477	0.3751
0.2602	2.8	2100	0.1555	0.3852
0.2781	2.9333	2200	0.1526	0.3759
0.2251	3.0667	2300	0.1525	0.3811
0.2212	3.2	2400	0.1554	0.3762
0.2477	3.3333	2500	0.1461	0.3654
0.2219	3.4667	2600	0.1489	0.3658
0.2449	3.6	2700	0.1432	0.3618
0.2559	3.7333	2800	0.1543	0.3763
0.241	3.8667	2900	0.1510	0.3585
0.2478	4.0	3000	0.1436	0.3598
0.1725	4.1333	3100	0.1486	0.3585
0.2254	4.2667	3200	0.1548	0.3671
0.2243	4.4	3300	0.1465	0.3658
0.2584	4.5333	3400	0.1441	0.3596
0.2279	4.6667	3500	0.1458	0.3634
0.2127	4.8	3600	0.1470	0.3663
0.2332	4.9333	3700	0.1491	0.3571
0.1972	5.0667	3800	0.1487	0.3516
0.2081	5.2	3900	0.1453	0.3500
0.1987	5.3333	4000	0.1460	0.3577
0.2259	5.4667	4100	0.1479	0.3593
0.2636	5.6	4200	0.1463	0.3581
0.2621	5.7333	4300	0.1415	0.3432
0.1891	5.8667	4400	0.1387	0.3435
0.205	6.0	4500	0.1459	0.3464
0.1968	6.1333	4600	0.1434	0.3470
0.2033	6.2667	4700	0.1425	0.3472
0.1556	6.4	4800	0.1483	0.3433
0.2043	6.5333	4900	0.1529	0.3525
0.1757	6.6667	5000	0.1378	0.3325
0.2031	6.8	5100	0.1395	0.3401
0.1895	6.9333	5200	0.1433	0.3420
0.184	7.0667	5300	0.1556	0.3424
0.2042	7.2	5400	0.1410	0.3362
0.1742	7.3333	5500	0.1454	0.3460
0.1794	7.4667	5600	0.1455	0.3487
0.1864	7.6	5700	0.1373	0.3395
0.1902	7.7333	5800	0.1462	0.3422
0.1907	7.8667	5900	0.1437	0.3404
0.1605	8.0	6000	0.1464	0.3379
0.1494	8.1333	6100	0.1469	0.3297
0.1982	8.2667	6200	0.1454	0.3283
0.1984	8.4	6300	0.1525	0.3450
0.1813	8.5333	6400	0.1468	0.3353
0.1659	8.6667	6500	0.1500	0.3392
0.1271	8.8	6600	0.1412	0.3283
0.1586	8.9333	6700	0.1492	0.3334
0.1369	9.0667	6800	0.1564	0.3367
0.1419	9.2	6900	0.1486	0.3307
0.1423	9.3333	7000	0.1681	0.3378
0.1236	9.4667	7100	0.1460	0.3219
0.1336	9.6	7200	0.1501	0.3313
0.1591	9.7333	7300	0.1533	0.3339
0.1787	9.8667	7400	0.1427	0.3230
0.1621	10.0	7500	0.1590	0.3379
0.1589	10.1333	7600	0.1570	0.3296
0.1442	10.2667	7700	0.1501	0.3287
0.1364	10.4	7800	0.1568	0.3296
0.1252	10.5333	7900	0.1521	0.3258
0.1478	10.6667	8000	0.1479	0.3217
0.1103	10.8	8100	0.1464	0.3191
0.1495	10.9333	8200	0.1555	0.3316
0.1207	11.0667	8300	0.1559	0.3271
0.1036	11.2	8400	0.1679	0.3249
0.1142	11.3333	8500	0.1709	0.3255
0.1224	11.4667	8600	0.1542	0.3250
0.1135	11.6	8700	0.1529	0.3121
0.1204	11.7333	8800	0.1501	0.3136
0.1265	11.8667	8900	0.1569	0.3075
0.1035	12.0	9000	0.1516	0.3096
0.118	12.1333	9100	0.1572	0.3148
0.1244	12.2667	9200	0.1632	0.3169
0.0992	12.4	9300	0.1678	0.3149
0.0961	12.5333	9400	0.1716	0.3232
0.1314	12.6667	9500	0.1670	0.3196
0.1149	12.8	9600	0.1640	0.3201
0.1085	12.9333	9700	0.1746	0.3124
0.118	13.0667	9800	0.1609	0.3079
0.1008	13.2	9900	0.1667	0.3184
0.1051	13.3333	10000	0.1793	0.3128
0.0969	13.4667	10100	0.1752	0.3191
0.1242	13.6	10200	0.1675	0.3107
0.1039	13.7333	10300	0.1624	0.3165
0.0954	13.8667	10400	0.1621	0.3062
0.1223	14.0	10500	0.1621	0.3137
0.1052	14.1333	10600	0.1713	0.3150
0.0995	14.2667	10700	0.1751	0.3121
0.1128	14.4	10800	0.1796	0.3096
0.0919	14.5333	10900	0.1784	0.3049
0.0931	14.6667	11000	0.1835	0.3099
0.1069	14.8	11100	0.1856	0.3095
0.0944	14.9333	11200	0.1781	0.3082
0.0915	15.0667	11300	0.1866	0.3091
0.0851	15.2	11400	0.1897	0.3071
0.0746	15.3333	11500	0.1875	0.3054
0.0828	15.4667	11600	0.1822	0.3084
0.1077	15.6	11700	0.1808	0.3082
0.0719	15.7333	11800	0.1860	0.3046
0.1121	15.8667	11900	0.1674	0.3016
0.0873	16.0	12000	0.1636	0.3024
0.0694	16.1333	12100	0.1738	0.3029
0.1008	16.2667	12200	0.1796	0.3058
0.0811	16.4	12300	0.1866	0.3013
0.081	16.5333	12400	0.1781	0.3037
0.0647	16.6667	12500	0.1711	0.2999
0.0775	16.8	12600	0.1713	0.3003
0.069	16.9333	12700	0.1853	0.2977
0.0775	17.0667	12800	0.1955	0.3029
0.077	17.2	12900	0.1862	0.3021
0.0802	17.3333	13000	0.1759	0.3000
0.0615	17.4667	13100	0.2072	0.3057
0.0647	17.6	13200	0.1715	0.3044
0.0709	17.7333	13300	0.1634	0.3031
0.0979	17.8667	13400	0.1851	0.3012
0.0674	18.0	13500	0.1886	0.3045
0.0562	18.1333	13600	0.2009	0.3045
0.0571	18.2667	13700	0.1980	0.3058
0.0782	18.4	13800	0.1942	0.3059
0.0549	18.5333	13900	0.1874	0.3028
0.0603	18.6667	14000	0.1860	0.3020
0.0729	18.8	14100	0.1814	0.2974
0.0646	18.9333	14200	0.1916	0.3003
0.0773	19.0667	14300	0.1840	0.3027
0.0672	19.2	14400	0.1908	0.2977
0.0714	19.3333	14500	0.1972	0.2963
0.064	19.4667	14600	0.1832	0.2920
0.0583	19.6	14700	0.1858	0.3000
0.0651	19.7333	14800	0.1778	0.3000
0.0453	19.8667	14900	0.1891	0.2924
0.067	20.0	15000	0.1917	0.2912
0.0485	20.1333	15100	0.1853	0.2908
0.062	20.2667	15200	0.1908	0.2877
0.0486	20.4	15300	0.1992	0.2940
0.0551	20.5333	15400	0.1938	0.2924
0.0598	20.6667	15500	0.1948	0.2907
0.0586	20.8	15600	0.2021	0.2898
0.0563	20.9333	15700	0.1972	0.2921
0.0533	21.0667	15800	0.1910	0.2900
0.0638	21.2	15900	0.1970	0.2867
0.0582	21.3333	16000	0.1961	0.2895
0.0634	21.4667	16100	0.1920	0.2867
0.0605	21.6	16200	0.1875	0.2889
0.0523	21.7333	16300	0.1885	0.2864
0.0516	21.8667	16400	0.1956	0.2877
0.0789	22.0	16500	0.1834	0.2819
0.0558	22.1333	16600	0.1862	0.2842
0.0471	22.2667	16700	0.1868	0.2842
0.0352	22.4	16800	0.1910	0.2842
0.047	22.5333	16900	0.1731	0.2852
0.0412	22.6667	17000	0.1823	0.2839
0.0728	22.8	17100	0.1863	0.2814
0.0456	22.9333	17200	0.1789	0.2807
0.0378	23.0667	17300	0.1947	0.2829
0.0394	23.2	17400	0.1917	0.2804
0.0672	23.3333	17500	0.1874	0.2824
0.0412	23.4667	17600	0.1963	0.2836
0.0558	23.6	17700	0.2026	0.2861
0.0484	23.7333	17800	0.1976	0.2837
0.0488	23.8667	17900	0.1936	0.2818
0.0584	24.0	18000	0.1870	0.2831
0.0516	24.1333	18100	0.1945	0.2811
0.0658	24.2667	18200	0.1967	0.2860
0.0432	24.4	18300	0.1986	0.2839
0.0463	24.5333	18400	0.1875	0.2807
0.0492	24.6667	18500	0.1977	0.2814
0.0389	24.8	18600	0.2053	0.2785
0.0356	24.9333	18700	0.2002	0.2793
0.0484	25.0667	18800	0.1961	0.2789
0.0267	25.2	18900	0.2064	0.2773
0.085	25.3333	19000	0.2073	0.2752
0.0419	25.4667	19100	0.2080	0.2769
0.0474	25.6	19200	0.2126	0.2785
0.0384	25.7333	19300	0.2003	0.2770
0.0275	25.8667	19400	0.1967	0.2769
0.022	26.0	19500	0.2011	0.2786
0.038	26.1333	19600	0.2026	0.2777
0.0368	26.2667	19700	0.2037	0.2745
0.0429	26.4	19800	0.2057	0.2748
0.0375	26.5333	19900	0.1991	0.2770
0.0452	26.6667	20000	0.1955	0.2741
0.0515	26.8	20100	0.1985	0.2760
0.0398	26.9333	20200	0.2028	0.2760
0.0343	27.0667	20300	0.2004	0.2732
0.0324	27.2	20400	0.2030	0.2729
0.0434	27.3333	20500	0.2033	0.2724
0.0372	27.4667	20600	0.2070	0.2731
0.0404	27.6	20700	0.2013	0.2774
0.0349	27.7333	20800	0.2044	0.2750
0.0459	27.8667	20900	0.2053	0.2739
0.038	28.0	21000	0.1993	0.2732
0.033	28.1333	21100	0.1995	0.2703
0.0368	28.2667	21200	0.1997	0.2716
0.051	28.4	21300	0.2000	0.2723
0.0476	28.5333	21400	0.1980	0.2710
0.0416	28.6667	21500	0.2017	0.2728
0.0294	28.8	21600	0.2014	0.2728
0.0252	28.9333	21700	0.2017	0.2723
0.0451	29.0667	21800	0.1989	0.2722
0.0343	29.2	21900	0.2007	0.2720
0.0342	29.3333	22000	0.1991	0.2706
0.0422	29.4667	22100	0.2002	0.2708
0.0156	29.6	22200	0.2012	0.2706
0.0519	29.7333	22300	0.2008	0.2707
0.0511	29.8667	22400	0.2011	0.2700
0.0345	30.0	22500	0.2010	0.2699

Framework versions

Transformers 4.57.1
Pytorch 2.9.0+cu126
Datasets 4.0.0
Tokenizers 0.22.1

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: 35c2ce7

Характеристики

Ссылки

wav2vec2-large-xlsr-53-esperanto-esperanto-asr-augment-dynamic

Бенчмарки

Тесты пользователейпока нет

Добавьте модель в бенчмарк

Опишите свои задачи

Запустите и опубликуйте

Публичные оценки

Что умеет модель

Сценарии применения

Ограничения

Для каких профессий подходит4

Карточка модели

wav2vec2-large-xlsr-53-esperanto-esperanto-asr-augment-dynamic

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

Как запустить