Характеристики

Лицензия: MIT
Базовая модель: w2vbert-luganda-waxal-stage2
Библиотека: transformers
Опубликована: 16 июл 2026

Ссылки

Hugging Face

w2vbert-luganda-waxal-punct

sulaimank

Распознавание речиАудио → текст

Дообученная Wav2Vec2-BERT модель для распознавания речи и транскрибирования аудио на луганда.

0скачиваний за 30 дней0лайковвеса обновлены17 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

w2vbert-luganda-waxal-punct — модель распознавания речи на основе Wav2Vec2-BERT, разработанная как дообученная версия sulaimank/w2vbert-luganda-waxal-stage2. Она предназначена для преобразования речи на луганда в текст; в карточке приведены метрики оценки, включая WER 0,1881 и CER 0,0361 для варианта Keep, а также WER 0,1055 и CER 0,0230 для варианта Strip.

Модель опубликована в формате safetensors и использует библиотеку Transformers. Лицензия — MIT. Сведения о датасете, контексте применения и ограничениях в карточке не раскрыты.

Сценарии применения

транскрибирование записей на луганда
распознавание речи на луганда
получение текстовой расшифровки аудиозаписей на луганда

Ограничения

Датасет и условия оценки не описаны, поэтому приведённые метрики нельзя уверенно переносить на другие типы аудио. Карточка не уточняет устойчивость к шуму, акцентам и условиям записи.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

w2vbert-luganda-waxal-punct

This model is a fine-tuned version of sulaimank/w2vbert-luganda-waxal-stage2 on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.1886
Wer Keep: 0.1881
Cer Keep: 0.0361
Zindi Keep: 0.8879
Wer Strip: 0.1055
Cer Strip: 0.0230
Zindi Strip: 0.9358

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 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: 40

Training results

Training Loss	Epoch	Step	Validation Loss	Wer Keep	Cer Keep	Zindi Keep	Wer Strip	Cer Strip	Zindi Strip
17.4208	0.2950	50	7.9497	1.0	1.5245	-0.2622	1.0587	1.4766	-0.2677
12.4278	0.5900	100	5.5352	1.0	0.9198	0.0401	1.0	0.9142	0.0429
7.8258	0.8850	150	3.5134	0.9996	0.8322	0.0841	0.9996	0.8314	0.0845
6.1205	1.1770	200	3.0291	1.0	0.9893	0.0054	1.0	0.9898	0.0051
5.9425	1.4720	250	2.9982	1.0	0.9944	0.0028	0.9998	0.9951	0.0026
5.7308	1.7670	300	2.7803	0.9998	0.9750	0.0126	0.9998	0.9805	0.0098
1.8717	2.0590	350	0.4798	0.5119	0.1298	0.6791	0.4785	0.1158	0.7029
0.4323	2.3540	400	0.2118	0.2535	0.0487	0.8489	0.1633	0.0331	0.9018
0.3656	2.6490	450	0.1767	0.2331	0.0449	0.8610	0.1379	0.0292	0.9164
0.2574	2.9440	500	0.1602	0.2193	0.0417	0.8695	0.1223	0.0257	0.9260
0.2359	3.2360	550	0.1578	0.2133	0.0408	0.8729	0.1154	0.0252	0.9297
0.2406	3.5310	600	0.1469	0.2039	0.0395	0.8783	0.1124	0.0245	0.9316
0.2034	3.8260	650	0.1493	0.2013	0.0386	0.8801	0.1130	0.0245	0.9312
0.2034	4.1180	700	0.1420	0.1939	0.0376	0.8842	0.1068	0.0239	0.9346
0.2003	4.4130	750	0.1496	0.1957	0.0377	0.8833	0.1103	0.0242	0.9328
0.1792	4.7080	800	0.1423	0.1952	0.0379	0.8834	0.1090	0.0242	0.9334
0.1571	5.0	850	0.1419	0.1977	0.0378	0.8823	0.1087	0.0236	0.9338
0.1336	5.2950	900	0.1408	0.1976	0.0376	0.8824	0.1095	0.0236	0.9334
0.1750	5.5900	950	0.1508	0.1866	0.0363	0.8886	0.1038	0.0232	0.9365
0.1477	5.8850	1000	0.1433	0.1844	0.0359	0.8898	0.1029	0.0229	0.9371
0.1089	6.1770	1050	0.1486	0.1844	0.0359	0.8899	0.1016	0.0227	0.9379
0.1218	6.4720	1100	0.1546	0.1869	0.0358	0.8887	0.1048	0.0228	0.9362
0.1414	6.7670	1150	0.1592	0.1846	0.0358	0.8898	0.1038	0.0230	0.9366
0.1083	7.0590	1200	0.1567	0.1857	0.0357	0.8893	0.1046	0.0227	0.9363
0.0972	7.3540	1250	0.1593	0.1847	0.0360	0.8897	0.1045	0.0232	0.9362
0.1106	7.6490	1300	0.1616	0.1882	0.0369	0.8874	0.1071	0.0241	0.9344
0.1129	7.9440	1350	0.1658	0.1871	0.0368	0.8881	0.1069	0.0240	0.9346
0.0939	8.2360	1400	0.1698	0.1842	0.0363	0.8898	0.1044	0.0234	0.9361
0.0942	8.5310	1450	0.1513	0.1855	0.0366	0.8890	0.1043	0.0237	0.9360
0.0891	8.8260	1500	0.1586	0.1860	0.0360	0.8890	0.1049	0.0231	0.9360
0.0685	9.1180	1550	0.1718	0.1897	0.0367	0.8868	0.1043	0.0230	0.9363
0.0788	9.4130	1600	0.1805	0.1883	0.0362	0.8877	0.1046	0.0231	0.9362
0.0788	9.7080	1650	0.1740	0.1881	0.0367	0.8876	0.1067	0.0236	0.9348
0.0665	10.0	1700	0.1740	0.1879	0.0359	0.8881	0.1057	0.0229	0.9357
0.0711	10.2950	1750	0.1867	0.1872	0.0365	0.8881	0.1052	0.0235	0.9356
0.0756	10.5900	1800	0.1886	0.1881	0.0361	0.8879	0.1055	0.0230	0.9358

Framework versions

Transformers 5.12.1
Pytorch 2.6.0+cu124
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

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

Ревизия весов: eadf52e