/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Базовая модель
mms-300m
Библиотека
transformers
Опубликована
9 июл 2026

mms-300m-wolof

Распознавание речиАудио → текст7 профессий

Дообученная Wav2Vec2-модель для преобразования волофской речи в текст.

88скачиваний за 30 дней2лайкавеса обновлены9 июл 2026

Бенчмарки

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

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 sokho2/mms-300m-wolof — дообученная разработчиком sokho2 модель facebook/mms-300m для автоматического распознавания речи на волофском языке. Она использует архитектуру Wav2Vec2 с 300 млн параметров и CTC-декодирование; принимает аудио и выдаёт распознанный текст. Модель обучалась на наборах Or4kool/wolof_speech_dataset и Alwaly/wolof_asr_bg, с аугментацией скорости и громкости, и оценивалась на отложенных данных ALFFA Wolof и Google FLEURS. В карточке указаны WER 13,64% и CER 4,51%.

Сценарии применения

  • транскрибация речи на волофском языке
  • распознавание волофской речи в аудиозаписях
  • подготовка текстовых расшифровок волофских аудиоданных

Ограничения

Модель может хуже распознавать речь с частым переключением на французский и короткие высказывания; пунктуацию не расставляет. Различия в написании волофских слов могут считаться ошибками даже при фонетической близости.

Для каких профессий подходит7

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

MMS-300m Fine-tuned for Wolof ASR

Fine-tuned facebook/mms-300m for Wolof (Wolof: wol) automatic speech recognition using CTC.

Evaluation Results

MetricValue
WER13.64%
CER4.51%
RTF263x

on ALFFA Wolof + Google FLEURS

Training Details

Base Model

  • Architecture: Wav2Vec2 (300M parameters)
  • Base checkpoint: facebook/mms-300m

Datasets

DatasetSamplesText Column
Or4kool/wolof_speech_dataset~9,260 (filtered)text
Alwaly/wolof_asr_bg~81,361transcription
(data augmentation)~72,863transcription
Total~163K
  • Evaluation on 10% held-out

Data Augmentation (on-the-fly)

  • Speed perturbation
  • Volume perturbation
  • Time masking:

Hyperparameters

  • Hardware: 8× NVIDIA V100 32GB
  • Epochs: 20
  • Batch size: 8 per GPU × 8 GPUs = 64 effective
  • Learning rate: 1e-4 (cosine schedule)
  • Warmup steps: 1,000
  • Precision: fp16 mixed precision
  • Gradient clipping: max_grad_norm=1.0
  • Gradient checkpointing: enabled
  • Feature encoder: frozen (freeze_feature_encoder=True)
  • CTC blank token: <pad> (index 0)

Training Stability

  • CTCTrainer: Custom Trainer
  • CTC validity filter
  • DDP: find_unused_parameters=True for frozen feature encoder compatibility

Usage

from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import torch
import soundfile as sf

processor = Wav2Vec2Processor.from_pretrained("sokho2/mms-300m-wolof-v001")
model = Wav2Vec2ForCTC.from_pretrained("sokho2/mms-300m-wolof-v001")

# Load audio (16kHz mono)
audio, sr = sf.read("audio.wav")

inputs = processor(audio, sampling_rate=16000, return_tensors="pt", padding=True)
with torch.no_grad():
    logits = model(**inputs).logits

predicted_ids = torch.argmax(logits, dim=-1)
transcription = processor.batch_decode(predicted_ids)
print(transcription[0])

Comparison with Other Models

ModelWERCERRTFParams
sokho2/mms-300m-wolof-v001 (this model)13.64%4.51%263x300M
Omnilingual ASR CTC 1B28.01%7.45%163x1B
bilalfaye/wav2vec2-large-mms-1b-wolof29.00%8.60%138x1B
vonewman/wav2vec2-large-mms-1b-wolof32.15%8.94%140x1B
M9and2M/marone_wolof_wav2vec2-xls-r-300m39.11%21.77%264x300M
BenDaouda/wav2vec2-large-xls-wolof-asr41.31%14.70%267x300M
BenDaouda/wav2vec2-large-xls-r-1b-wolof-VoiceToText48.08%15.83%267x1B
Or4kool/mms_300m_wolof_stt72.19%35.61%267x300M
kingabzpro/wav2vec2-large-xlsr-53-wolof96.93%53.47%271x300M

Evaluated on 2,337 samples from ALFFA Wolof (dev + test) + Google FLEURS Wolof (wo_sn) test set.

Limitations

  • Wolof has significant dialectal variation and French code-switching (~36% of training data contains some French); the model may struggle with heavily French-mixed utterances
  • Short utterances (< 2 seconds) tend to have inflated WER due to single-word errors having outsized impact
  • No punctuation
  • Spelling variants in Wolof (e.g., "xam" vs "ham") are penalized as errors even when phonetically equivalent

License

CC-BY-NC-4.0 (following the base MMS model license)

@misc{sokho2-mms-300m-wolof,
  author = {Sokho2},
  title = {MMS-300M Wolof ASR},
  year = {2026},
  url = {https://huggingface.co/sokho2/mms-300m-wolof}
}

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
2a82fb7

0 моделей