/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
transformers
Опубликована
28 июл 2025

pingala-v1-universal

Распознавание речиАудио → текст9 профессий

Pingala V1 Universal — мультиязычная модель Shunyalabs для быстрой дословной транскрипции речи из аудиозаписей.

32скачиваний за 30 дней34лайкавеса обновлены28 авг 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки9

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • librispeech_asr

    wer · ниже — лучше

    Результат

    2,17

    automatic-speech-recognition 0,71
    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • ARTPARK-IISc/Vaani-Benchmark-V1.0

    score · ниже — лучше

    Результат

    22,1

    Hindi_WER 22,1
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

  • tedlium

    wer · ниже — лучше

    Результат

    1,43

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • internal

    rtfx

    Результат

    146,23

    automatic-speech-recognition 3,1
    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • spgispeech

    wer · ниже — лучше

    Результат

    1,1

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • gigaspeech

    wer · ниже — лучше

    Результат

    4,99

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • earnings22

    wer · ниже — лучше

    Результат

    5,83

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • voxpopuli

    wer · ниже — лучше

    Результат

    4,34

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • ami

    wer · ниже — лучше

    Результат

    4,19

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Pingala V1 Universal — модель автоматического распознавания речи, разработанная Shunyalabs. Она преобразует аудио в текст и предназначена для точной дословной транскрипции встреч, финансовых звонков, вещательных передач, учебных материалов и других записей. В карточке заявлена поддержка 204 языков, включая индийские и мировые языки; метаданные отдельно перечисляют языковые теги, среди которых русский и английский. Модель основана на архитектуре Transformer, принимает аудио с частотой 16 кГц и поддерживает обработку речи в реальном времени; в карточке также указана встроенная функция обнаружения речевой активности.

Shunyalabs приводит средний показатель WER 3,10% и средний RTFx 146,23, однако описание результатов в основном посвящено английской речи. Для доступа требуется аутентификация в Hugging Face Hub. Лицензия обозначена как other и содержит ограничения на дискриминационное, военное и иное вредоносное применение; перед использованием следует ознакомиться с полным текстом лицензии.

Сценарии применения

  • транскрибирование рабочих встреч
  • расшифровка звонков о финансовых результатах
  • создание текстовых версий новостей и подкастов
  • транскрибирование лекций и учебных материалов
  • расшифровка звонков службы поддержки

Ограничения

Заявленные показатели качества подробно описаны для английской речи, поэтому их нельзя автоматически переносить на все поддерживаемые языки и условия записи. Для доступа требуется аутентификация в Hugging Face Hub; лицензия запрещает ряд вредоносных применений.

Для каких профессий подходит9

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

Pingala V1 Universal

A high-performance English speech recognition model optimized for transcription by Shunyalabs.

Try the demo at https://www.shunyalabs.ai

License

This model is distributed under the Shunya Labs RAIL-M License, which includes specific use-based restrictions and commercial licensing requirements.

License Summary

  • Free Use: Up to 10,000 hours of audio transcription per calendar month
  • Distribution: Model cannot be redistributed to third parties
  • Derivatives: Creation of derivative works is not permitted
  • Attribution: Required when outputs are made public or shared

Key Restrictions

The license prohibits use for discrimination, military applications, disinformation, privacy violations, unauthorized medical advice, and other harmful purposes. Please refer to the complete LICENSE file for detailed terms and conditions.

For inquiries, contact: 0@shunyalabs.ai

Model Overview

Pingala V1 Universal is a state-of-the-art automatic speech recognition (ASR) model that delivers exceptional accuracy across diverse audio domains. With a low word error rate (WER) of just 3.10 in English, it is optimized for high-precision, verbatim transcription—capturing spoken content word-for-word with remarkable fidelity.

Designed to support transcription across 204 languages, including a wide range of Indic and global languages, Pingala V1 Universal performs consistently across various domains such as meetings, earnings calls, broadcast media, and educational content.

Performance Benchmarks

image/png

OpenASR Leaderboard Results

The model has been extensively evaluated on the OpenASR leaderboard across multiple English datasets, demonstrating superior performance compared to larger open-source models:

DatasetWER (%)RTFx
AMI Test4.1970.22
Earnings22 Test5.83101.52
GigaSpeech Test4.99131.09
LibriSpeech Test Clean0.71158.74
LibriSpeech Test Other2.17142.40
SPGISpeech Test1.10170.85
TedLium Test1.43153.34
VoxPopuli Test4.34179.28

Composite Results

  • Overall WER: 3.10%
  • Average RTFx: 146.23

RTFx (Real-Time Factor) indicates inference speed relative to audio duration. Higher values mean faster processing.

Comparative Performance

Pingala V1 significantly outperforms larger open-source models on 8 common speech benchmarks:

ModelAMIEarnings22GigaSpeechLS CleanLS OtherSPGISpeechTedLiumVoxpopuliAvg WER
nvidia/canary-qwen-2.5b10.1910.459.431.613.101.902.715.665.63
ibm/granite-granite-speech-3.3-8b9.129.5310.331.422.993.863.506.005.74
nvidia/parakeet-tdt-0.6b-v211.1611.159.741.693.192.173.385.956.05
microsoft/Phi-4-multimodal-instruct11.4510.509.771.673.823.112.895.936.14
nvidia/canary-1b-flash13.1112.779.851.482.871.953.125.636.35
shunyalabs/pingala-v1-en-verbatim3.524.364.261.842.811.132.143.472.94
shunyalabs/pingala-v1-universal4.195.834.990.712.171.101.434.343.10

Authentication with Hugging Face Hub

This model require authentication with Hugging Face Hub. Here's how to set up and use your Hugging Face token.

Getting Your Hugging Face Token

  1. Create a Hugging Face Account: Go to huggingface.co and sign up
  2. Generate a Token:

Setting Up Authentication

Method 1: Environment Variable (Recommended)

# Set your token as an environment variable
export HUGGINGFACE_HUB_TOKEN="hf_your_token_here"

# Or add to your ~/.bashrc or ~/.zshrc for persistence
echo 'export HUGGINGFACE_HUB_TOKEN="hf_your_token_here"' >> ~/.bashrc
source ~/.bashrc

Method 2: Hugging Face CLI Login

# Install Hugging Face CLI if not already installed
pip install huggingface_hub

# Login using CLI
huggingface-cli login
# Enter your token when prompted

Method 3: Programmatic Authentication

from huggingface_hub import login

# Login programmatically
login(token="hf_your_token_here")

Installation

Basic Installation

pip install pingala-shunya

Usage

Quick Start

from pingala_shunya import PingalaTranscriber

# Explicitly choose backends with Shunya Labs model
transcriber = PingalaTranscriber(model_name="shunyalabs/pingala-v1-universal", backend="transformers")

segments, info = transcriber.transcribe_file(
    "audio.wav",
    beam_size=5,
)

for segment in segments:
    print(f"[{segment.start:.2f}s -> {segment.end:.2f}s] {segment.text}")

Model Details

  • Architecture: transformer-based model optimized for multilingual transcription accross 204 languages
  • Format: Transformer compatible for efficient inference
  • Sampling Rate: 16 kHz
  • Model Size: Production-optimized for deployment
  • Optimization: Real-time inference capable with GPU acceleration

Key Features

  • Exceptional Accuracy: Achieves 3.10% WER across diverse English test sets
  • Real-Time Performance: Average RTFx of 146.23 enables real-time applications
  • Verbatim Transcription: Optimized for accurate, word-for-word transcription
  • Multi-Domain Excellence: Superior performance across conversational, broadcast, and read English speech
  • Voice Activity Detection: Built-in VAD for better handling of silence

Performance Optimization Tips

  • GPU Acceleration: Use device="cuda" for significantly faster inference
  • Precision: Set compute_type="float16" for optimal speed on modern GPUs
  • Threading: Adjust cpu_threads and num_workers based on your hardware configuration
  • VAD Filtering: Enable vad_filter=True for improved performance on long audio files
  • Language Specification: Set language="en" for English audio to improve accuracy and speed
  • Beam Size: Use beam_size=5 for best accuracy, reduce for faster inference
  • Batch Processing: Process multiple files with a single model instance for efficiency

Use Cases

The model excels in various English speech recognition scenarios:

  • Meeting Transcription: High accuracy on conversational English speech (AMI: 4.19% WER)
  • Financial Communications: Specialized performance on earnings calls and financial content (Earnings22: 5.83% WER)
  • Broadcast Media: Excellent results on news, podcasts, and media content
  • Educational Content: Optimized for lectures, presentations, and educational material transcription
  • Customer Support: Accurate transcription of support calls and customer interactions
  • Legal Documentation: Professional-grade accuracy for legal proceedings and depositions
  • Medical Transcription: High-quality transcription for medical consultations and documentation

Support and Contact

For technical support, licensing inquiries, or commercial partnerships:

Acknowledgments

Special thanks to the open-source community for providing the foundational tools that make this model possible.

Version History

  • v1.0: Initial release with state-of-the-art performance across multiple English domains
    • Optimized for transcription with 3.10% composite WER
    • Production-ready deployment capabilities

This model is provided under the Shunya Labs RAIL-M License. Please ensure compliance with all license terms before use.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
d7ae93c

0 моделей