Характеристики

Базовая модель: w2vbert-lingala-sd3
Библиотека: transformers
Опубликована: 19 июл 2026

Ссылки

Hugging Face

w2vbert-lingala-waxal-punct-v2

sulaimank

Распознавание речиАудио → текст

Модель Wav2Vec2-BERT для транскрибирования речи на лингала в текст.

0скачиваний за 30 дней0лайковвеса обновлены7 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-v2 — модель распознавания речи на основе Wav2Vec2-BERT, дообученная разработчиком на базе sulaimank/w2vbert-lingala-sd3. Она преобразует аудио на языке лингала в текст и предназначена для транскрибирования речи. В README приведены результаты оценки: WER Keep 0,1140, CER Keep 0,0326, WER Strip 0,0619, а также метрики Zindi для вариантов Keep, Strip и Lower. Модель распространяется в формате Safetensors через Transformers. Лицензия в предоставленных данных не указана.

Сценарии применения

транскрибирование записей речи на лингала
распознавание произнесённых на лингала фраз
подготовка текстовых расшифровок аудиозаписей на лингала

Ограничения

Карточка не описывает ограничения и условия применения. Оценки приведены для evaluation set, но состав набора и условия тестирования не раскрыты.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

w2vbert-lingala-waxal-punct-v2

This model is a fine-tuned version of sulaimank/w2vbert-lingala-sd3 on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.0860
Wer Keep: 0.1140
Cer Keep: 0.0326
Zindi Keep: 0.9267
Wer Strip: 0.0619
Zindi Strip: 0.9607
Zindi Lower: 0.9688

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: 3e-05
train_batch_size: 16
eval_batch_size: 16
seed: 42
gradient_accumulation_steps: 2
total_train_batch_size: 32
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.98) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 0.1
num_epochs: 3.0

Training results

Training Loss	Epoch	Step	Validation Loss	Wer Keep	Cer Keep	Zindi Keep	Wer Strip	Zindi Strip	Zindi Lower
0.5347	0.0812	200	0.0756	0.1039	0.0298	0.9332	0.0530	0.9664	0.9745
0.7679	0.1624	400	0.0770	0.1054	0.0295	0.9325	0.0550	0.9651	0.9734
0.3571	0.2436	600	0.0799	0.1073	0.0290	0.9318	0.0567	0.9641	0.9725
0.4512	0.3248	800	0.0816	0.1104	0.0320	0.9288	0.0602	0.9618	0.9703
0.6859	0.4060	1000	0.0856	0.1102	0.0316	0.9291	0.0601	0.9618	0.9700
0.7610	0.4872	1200	0.0889	0.1138	0.0316	0.9273	0.0614	0.9610	0.9692
0.6022	0.5684	1400	0.0800	0.1107	0.0310	0.9291	0.0600	0.9620	0.9701
0.3510	0.6496	1600	0.0851	0.1140	0.0323	0.9268	0.0631	0.9600	0.9683
0.4350	0.7308	1800	0.0860	0.1140	0.0326	0.9267	0.0619	0.9607	0.9688

Framework versions

Transformers 5.14.1
Pytorch 2.13.0+cu130
Datasets 3.6.0
Tokenizers 0.22.2

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Репозиторий недоступен на Hugging Face.

Ревизия весов: 37247ba