Характеристики

Лицензия: Apache 2.0
Базовая модель: w2v-bert-2.0-luganda-313hr
Опубликована: 16 июл 2026

Ссылки

Hugging Face

w2vbert-luganda-waxal-punct-0

sulaimank

Распознавание речиАудио → текст

Модель W2V-BERT, дообученная для распознавания речи на луганда с непосредственным выводом пунктуации.

0скачиваний за 30 дней0лайковвеса обновлены16 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

sulaimank/w2vbert-luganda-waxal-punct-0 — модель распознавания речи на языке луганда, разработанная на основе W2V-BERT и дообученная на данных WAXAL Luganda с пунктуацией в словаре CTC. Она преобразует аудио в текст и выводит знаки «.», «,», «?» и «!» непосредственно, без отдельного модуля восстановления пунктуации. По результатам валидации CER составил 0,0359 и WER с сохранением пунктуации — 0,1809; при удалении пунктуации WER составил 0,0992. Модель распространяется с лицензией Apache-2.0.

Сценарии применения

транскрибация речи на луганда
автоматическое добавление пунктуации в транскрипты на луганда
распознавание записей речи на луганда

Ограничения

Приведённые метрики относятся к валидации на данных WAXAL Luganda; результаты на других наборах данных могут отличаться.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

w2vbert-luganda-waxal-punct

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

Best validation results:

Loss: 0.1325
Wer (keep punct): 0.1809
Cer (keep punct): 0.0359
Zindi (keep punct): 0.8916
Wer (strip punct): 0.0992
Zindi (strip punct): 0.9391

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
0.59	8	2.9813	1.0000	0.9847	0.0077	0.9999	0.0078
1.18	17	0.3110	0.3210	0.0722	0.8034	0.2626	0.8399
1.77	26	0.1604	0.2186	0.0469	0.8672	0.1506	0.9069
2.36	35	0.1474	0.2139	0.0459	0.8701	0.1249	0.9228
2.95	44	0.1347	0.1971	0.0419	0.8805	0.1075	0.9343
3.54	53	0.1354	0.1942	0.0409	0.8824	0.1067	0.9348
4.13	62	0.1289	0.1846	0.0378	0.8888	0.1018	0.9376
4.72	71	0.1344	0.1828	0.0364	0.8904	0.1015	0.9378
5.31	80	0.1358	0.1827	0.0355	0.8909	0.1005	0.9386
5.90	89	0.1325	0.1809	0.0359	0.8916	0.0992	0.9391
6.49	98	0.1367	0.1857	0.0361	0.8891	0.1021	0.9375
7.08	107	0.1500	0.1877	0.0367	0.8878	0.1024	0.9374
7.67	116	0.1471	0.1835	0.0364	0.8900	0.0985	0.9395
8.26	125	0.1641	0.1883	0.0377	0.8870	0.1049	0.9357
8.85	134	0.1641	0.1873	0.0382	0.8873	0.1019	0.9376
9.44	143	0.1817	0.1878	0.0380	0.8871	0.0999	0.9387
10.03	152	0.1803	0.1832	0.0362	0.8903	0.1004	0.9385
10.62	161	0.1811	0.1825	0.0362	0.8907	0.1006	0.9383

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: 6a9c201