Характеристики

Лицензия: Apache 2.0
Базовая модель: w2v-bert-lingala-109h
Опубликована: 16 июл 2026

Ссылки

Hugging Face

w2vbert-lingala-waxal-punct

sulaimank

Распознавание речиАудио → текст

Модель W2V-BERT распознаёт речь на лингала и сразу расставляет знаки препинания в транскрипте.

0скачиваний за 30 дней0лайковвеса обновлены6 авг 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

w2vbert-lingala-waxal-punct — модель автоматического распознавания речи на базе W2V-BERT с CTC-декодированием, разработанная для языка лингала и дообученная на данных WAXAL. Она выдаёт распознанный текст сразу с знаками препинания: запятыми, точками, вопросительными и восклицательными знаками, поэтому отдельный модуль восстановления пунктуации не требуется. Модель подходит для транскрибирования речи на лингала, когда важно получить текст с пунктуацией.

В карточке приведены результаты валидации: WER 0,1187 и CER 0,0332 с учётом пунктуации; при её удалении WER составляет 0,0572. Модель распространяется под лицензией Apache-2.0.

Сценарии применения

транскрибирование аудиозаписей на лингала
распознавание речи с автоматической расстановкой пунктуации
подготовка текстовых расшифровок для дальнейшего поиска и анализа

Ограничения

Модель предназначена для распознавания речи на лингала; качество на других языках не заявлено. Приведённые метрики получены на валидационных данных и не гарантируют аналогичного качества на произвольных записях.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

w2vbert-lingala-waxal-punct

Dedicated Lingala W2V-BERT CTC trained WITH punctuation in the vocabulary, on WAXAL Lingala. Emits . , ? ! directly rather than relying on a downstream restorer.

Best validation results:

Loss: 0.1436
Wer (keep): 0.1187
Cer (keep): 0.0332
Zindi (keep): 0.9240
Wer (strip): 0.0572
Zindi (strip): 0.9611

Training hyperparameters

learning_rate: 3e-05
train_batch_size: 16
gradient_accumulation_steps: 2
total_train_batch_size: 32
optimizer: AdamW (betas=(0.9,0.98))
lr_scheduler_type: linear, warmup_ratio 0.1
num_epochs: up to 40 (early stopped)

Training results

Epoch	Step	Val Loss	WER keep	CER keep	Zindi keep	WER strip	Zindi strip
0.24	4	6.3582	0.9999	0.9496	0.0253	0.9994	0.0343
0.49	9	2.3374	0.9861	0.6471	0.1834	0.9855	0.1698
0.73	14	0.2802	0.1980	0.0566	0.8727	0.1410	0.9076
0.98	19	0.1956	0.1397	0.0388	0.9107	0.0777	0.9481
1.22	24	0.1849	0.1275	0.0358	0.9184	0.0653	0.9559
1.47	29	0.1739	0.1243	0.0344	0.9207	0.0620	0.9580
1.71	34	0.1604	0.1245	0.0352	0.9201	0.0615	0.9583
1.96	39	0.1524	0.1201	0.0336	0.9231	0.0586	0.9601
2.20	44	0.1457	0.1202	0.0341	0.9229	0.0581	0.9605
2.45	49	0.1508	0.1202	0.0340	0.9229	0.0585	0.9603
2.69	54	0.1407	0.1210	0.0342	0.9224	0.0597	0.9594
2.94	59	0.1436	0.1187	0.0332	0.9240	0.0572	0.9611
3.18	64	0.1382	0.1204	0.0337	0.9229	0.0588	0.9600
3.42	69	0.1409	0.1220	0.0345	0.9217	0.0574	0.9609
3.67	74	0.1449	0.1202	0.0345	0.9227	0.0580	0.9605
3.91	79	0.1341	0.1238	0.0340	0.9211	0.0601	0.9593
4.16	84	0.1435	0.1245	0.0352	0.9202	0.0602	0.9592
4.40	89	0.1510	0.1245	0.0346	0.9204	0.0586	0.9603
4.65	94	0.1638	0.1246	0.0346	0.9204	0.0622	0.9580
4.89	99	0.1559	0.1253	0.0346	0.9201	0.0600	0.9595

Framework versions

Transformers 5.13.0
Pytorch 2.12.1
Datasets 3.6.0

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Ревизия весов: 2a5f438