Характеристики

Лицензия: MIT
Базовая модель: w2vbert-luganda-waxal-stage2
Библиотека: transformers
Опубликована: 18 июл 2026

Ссылки

Hugging Face

w2vbert-luganda-waxal-punct-v2

sulaimank

Распознавание речиАудио → текст

Дообученная Wav2Vec2-BERT-модель для распознавания речи на языке луганда с восстановлением пунктуации.

0скачиваний за 30 дней0лайковвеса обновлены19 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-v2 — дообученная модель распознавания речи на основе sulaimank/w2vbert-luganda-waxal-stage2. Она предназначена для преобразования аудиозаписей на языке луганда в текст и может использоваться для транскрибирования речи с восстановлением пунктуации.

Модель построена на архитектуре Wav2Vec2-BERT, использует библиотеку Transformers и распространяется в формате safetensors. В README приведены результаты оценки: WER Keep 0,1779, CER Keep 0,0389, WER Strip 0,0962 и CER Strip 0,0218; название метрик указывает на оценки при сохранении и удалении пунктуации. Лицензия — MIT. Датасет и подробности обучающих данных не описаны.

Сценарии применения

транскрибирование записей речи на луганда
распознавание устных высказываний на луганда
подготовка текста с пунктуацией из аудиозаписей на луганда

Ограничения

Датасет и подробности обучения не раскрыты. В README указаны метрики оценки, но отсутствуют описание условий тестирования и сведения о поведении на акцентах или шумной записи.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

w2vbert-luganda-waxal-punct-v2

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: 0.1568
Wer Keep: 0.1779
Cer Keep: 0.0389
Zindi Keep: 0.8916
Wer Strip: 0.0962
Cer Strip: 0.0218
Zindi Strip: 0.9410

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: 8
eval_batch_size: 8
seed: 42
gradient_accumulation_steps: 4
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

Training results

Training Loss	Epoch	Step	Validation Loss	Wer Keep	Cer Keep	Zindi Keep	Wer Strip	Cer Strip	Zindi Strip
0.3557	0.2516	400	0.1668	0.2007	0.0450	0.8772	0.1125	0.0259	0.9308
0.2105	0.5032	800	0.1477	0.1840	0.0408	0.8876	0.1022	0.0233	0.9372
0.2031	0.7548	1200	0.1340	0.1808	0.0404	0.8894	0.1002	0.0228	0.9385
0.1561	1.0063	1600	0.1328	0.1783	0.0398	0.8909	0.0974	0.0220	0.9403
0.1456	1.2579	2000	0.1397	0.1767	0.0384	0.8925	0.0959	0.0219	0.9411
0.1168	1.5095	2400	0.1415	0.1761	0.0382	0.8928	0.0948	0.0221	0.9416
0.1438	1.7611	2800	0.1419	0.1773	0.0373	0.8927	0.0967	0.0220	0.9406
0.0890	2.0126	3200	0.1554	0.1759	0.0374	0.8934	0.0952	0.0217	0.9416
0.0892	2.2642	3600	0.1571	0.1782	0.0389	0.8914	0.0962	0.0220	0.9409
0.0998	2.5158	4000	0.1529	0.1776	0.0386	0.8919	0.0965	0.0217	0.9409
0.0761	2.7674	4400	0.1574	0.1779	0.0388	0.8916	0.0974	0.0220	0.9403
0.0799	3.0	4770	0.1568	0.1779	0.0389	0.8916	0.0962	0.0218	0.9410

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

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

Ревизия весов: efd2e10