Характеристики

Параметры: 403 млн
Лицензия: Apache 2.0
Архитектура: wav2vec2 · dense
Базовая модель: wav2vec2-large-xlsr-53
Библиотека: transformers
Опубликована: 19 июл 2025

Ссылки

Hugging Face

enenlhet-wav2vec2-model

sjhuskey

Распознавание речиАудио → текст3 профессии

Модель распознаёт речь эненлет и создаёт черновые транскрипции полевых аудиозаписей.

302скачиваний за 30 дней0лайковвеса обновлены13 окт 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 автоматического распознавания речи enenlhet-wav2vec2 разработана Samuel J. Huskey при поддержке Data Institute for Societal Challenges Университета Оклахомы. Это дообученная на модели facebook/wav2vec2-large-xlsr-53 архитектура Wav2Vec2ForCTC с 402,7 млн параметров, предназначенная для создания черновых транскрипций полевых аудиозаписей на языке эненлет. Для обучения использован набор sjhuskey/enenlhet-wav2vec2-dataset с WAV-записями носителей языка и соответствующими транскрипциями; данные разделены на обучающую, тестовую и валидационную выборки.

Модель принимает аудио и выдаёт текст. Она может ускорить подготовку транскрипций полевых записей, но README указывает на первичную, черновую роль результатов, поэтому транскрипции следует проверять и исправлять вручную. Модель распространяется по лицензии Apache 2.0.

Сценарии применения

Черновая транскрибация полевых записей речи на эненлет
Подготовка транскрипций аудиоматериалов для лингвистического исследования
Ускорение разметки записей носителей эненлет

Ограничения

Модель предназначена для первичных транскрипций полевых записей, поэтому результатам требуется ручная проверка. README не сообщает об оценках качества.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей I.6Универсальные способностиПеревод и языковая адаптацияAI помогает переносить смысл между языками, форматами и культурными контекстами.16 задач16 710моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

enenlhet-wav2vec2

The model in this repository was developed by Samuel J. Huskey in partial fulfillment of a seed funding grant from the University of Oklahoma's Data Institute for Societal Challenges (DISC). The project's title is "AI for Cost-Effective Research Workflows When Funding is Scarce" (co-PI's: Samuel J. Huskey, Raina Heaton, and Caroline T. Schroeder). Varun Sayapaneni, Research Informatics Specialist at OU Libraries, contributed valuable insights and made important contributions to this project.

See the code repository at https://github.com/sjhuskey/enenlhet for more information.

Model Description

Developed by: Samuel J. Huskey
Funded by: University of Oklahoma Data Institute for Societal Challenges
Model type: Automatic Speech Recognition
License: Apache license 2.0
Finetuned from model: facebook/wav2vec2-large-xlsr-53
Dataset: sjhuskey/enenlhet-wav2vec2-dataset

Uses

To provide first-pass transcriptions of field recordings of Enenlhet speakers.

Training Details

Training Data

The training and evaluation data consist of .wav files of Enenlhet speakers and .eaf files contains transcriptions of those files.

The raw data was preprocessed with the script at https://github.com/sjhuskey/enenlhet/blob/main/python/wav2vec2-prepare-dataset.py, which segments the .eaf files and normalizes and segments the audio files.

The dataset was split on a 90-5-5 basis into train, test, and validation sets.

The model was trained on Colab with a version of the Jupyter notebook at https://github.com/sjhuskey/enenlhet/blob/main/python/wav2vec2_train_colab.ipynb, which was based on the tutorial at https://huggingface.co/blog/fine-tune-w2v2-bert.

Training Hyperparameters

group_by_length=True,
per_device_train_batch_size=16,
gradient_accumulation_steps=2,
eval_strategy="epoch",
num_train_epochs=60,
save_strategy="epoch",
fp16=True,
logging_steps=10,
learning_rate=5e-5,
warmup_ratio=0.1,
save_total_limit=20,
load_best_model_at_end=True,
metric_for_best_model="eval_loss",
greater_is_better=False,

Training Results

Epoch	Training Loss	Validation Loss	Wer	Cer
1	9.739200	7.026410	1.000000	1.000000
2	3.333400	3.148107	1.000000	1.000000
3	2.852200	2.819278	1.000000	1.000000
4	2.849000	2.760045	1.000000	1.000000
5	2.836700	2.586708	1.000000	1.000000
6	1.626700	1.224432	1.005532	0.351696
7	1.113500	0.854202	0.961893	0.275788
8	0.998200	0.699204	0.900430	0.245716
9	0.935100	0.623386	0.849416	0.219500
10	0.837600	0.543402	0.823602	0.208105
11	0.674800	0.503909	0.779348	0.196282
12	0.609300	0.462162	0.759066	0.185829
13	0.587600	0.444128	0.755993	0.186515
14	0.635400	0.423765	0.738783	0.180346
15	0.547000	0.415437	0.726490	0.175463
16	0.499700	0.370264	0.697603	0.165353
17	0.537900	0.353593	0.685925	0.160898
18	0.503400	0.344040	0.675476	0.159527
19	0.454500	0.335758	0.659496	0.155072
20	0.473700	0.334173	0.655808	0.155329
21	0.436400	0.326168	0.647818	0.151731
22	0.402600	0.306144	0.629994	0.147104
23	0.394500	0.311927	0.618316	0.145905
24	0.413800	0.297368	0.622618	0.142392
25	0.379200	0.288900	0.607253	0.141107
26	0.343500	0.285305	0.596189	0.139051
27	0.343700	0.276769	0.591272	0.137080
28	0.337600	0.274651	0.586355	0.136223

Environmental Impact

CodeCarbon's log for one fine-tuning run:

timestamp: 2025-08-29T17:14:37
duration: 3772.417071911
emissions: 0.0891595389213348
emissions_rate: 2.3634592151861177e-05
cpu_power: 42.5
gpu_power: 56.70040165244587
ram_power: 38.0
cpu_energy: 0.0444480260015881
gpu_energy: 0.105260611708422
ram_energy: 0.039677000516805
energy_consumed: 0.1893856382268154
os: Linux-6.1.123+-x86_64-with-glibc2.35
python_version: 3.12.11
codecarbon_version: 3.0.4
cpu_count: 12
cpu_model: Intel(R) Xeon(R) CPU @ 2.20GHz
gpu_count: 1
gpu_model: 1 x NVIDIA A100-SXM4-40GB
ram_total_size: 83.4760627746582
tracking_mode: machine
on_cloud: N
pue: 1.0

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: 42b4d91