Характеристики

Лицензия: MIT
Базовая модель: w2vbert-shona-waxal
Библиотека: transformers
Опубликована: 19 июл 2026

Ссылки

Hugging Face

w2vbert-shona-waxal-punct-v2

sulaimank

Распознавание речиАудио → текст

Дообученная W2V-BERT-модель преобразует речь на шона в текст и опубликована в варианте punct-v2.

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

sulaimank/w2vbert-shona-waxal-punct-v2 — дообученная на базе sulaimank/w2vbert-shona-waxal модель распознавания речи на архитектуре W2V-BERT. Она преобразует аудио на языке шона в текст; суффикс punct-v2 указывает на вариант модели, связанный с пунктуацией, однако карточка не уточняет его поведение. Для оценки приведены метрики WER, CER и Zindi Keep/Strip: WER составляет 0,0995 с сохранением и 0,0547 после удаления пунктуации; CER — 0,0134 и 0,0124 соответственно.

Модель опубликована в формате safetensors для библиотеки Transformers. Лицензия — MIT. Датасет обучения и подробности применения не описаны.

Сценарии применения

распознавание речи на шона
транскрибация записей на шона
создание текстовых расшифровок аудио на шона

Ограничения

Сведения о датасете обучения, сценариях применения и особенностях обработки пунктуации не приведены. Метрики указаны для evaluation set, но его состав не описан.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

w2vbert-shona-waxal-punct-v2

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

Loss: 0.0337
Wer Keep: 0.0995
Cer Keep: 0.0134
Zindi Keep: 0.9435
Wer Strip: 0.0547
Cer Strip: 0.0124
Zindi Strip: 0.9664

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
0.1990	0.1329	200	0.0584	0.1276	0.0185	0.9269	0.0768	0.0169	0.9531
0.1195	0.2659	400	0.0389	0.1116	0.0151	0.9367	0.0635	0.0140	0.9612
0.1028	0.3988	600	0.0370	0.1071	0.0145	0.9392	0.0609	0.0134	0.9628
0.0941	0.5317	800	0.0355	0.1086	0.0145	0.9385	0.0633	0.0135	0.9616
0.0945	0.6647	1000	0.0348	0.1055	0.0139	0.9403	0.0616	0.0133	0.9625
0.0985	0.7976	1200	0.0335	0.1062	0.0141	0.9398	0.0625	0.0135	0.9620
0.0976	0.9305	1400	0.0325	0.1056	0.0140	0.9402	0.0612	0.0132	0.9628
0.0677	1.0631	1600	0.0341	0.1053	0.0144	0.9401	0.0607	0.0132	0.9631
0.0752	1.1961	1800	0.0322	0.1039	0.0142	0.9409	0.0591	0.0130	0.9639
0.0725	1.3290	2000	0.0327	0.1040	0.0143	0.9409	0.0599	0.0130	0.9636
0.0716	1.4619	2200	0.0341	0.1025	0.0135	0.9420	0.0581	0.0128	0.9645
0.0667	1.5949	2400	0.0326	0.1019	0.0138	0.9422	0.0585	0.0129	0.9643
0.0678	1.7278	2600	0.0315	0.1017	0.0143	0.9420	0.0569	0.0127	0.9652
0.0632	1.8608	2800	0.0335	0.1023	0.0139	0.9419	0.0581	0.0129	0.9645
0.0629	1.9937	3000	0.0324	0.1015	0.0138	0.9423	0.0565	0.0127	0.9654
0.0411	2.1263	3200	0.0343	0.1007	0.0135	0.9429	0.0561	0.0125	0.9657
0.0444	2.2592	3400	0.0335	0.0998	0.0136	0.9433	0.0560	0.0126	0.9657
0.0359	2.3922	3600	0.0348	0.1008	0.0138	0.9427	0.0557	0.0125	0.9659
0.0410	2.5251	3800	0.0342	0.0989	0.0133	0.9439	0.0548	0.0124	0.9664
0.0383	2.6580	4000	0.0354	0.0998	0.0135	0.9433	0.0552	0.0124	0.9662
0.0371	2.7910	4200	0.0347	0.0999	0.0136	0.9433	0.0551	0.0124	0.9662
0.0366	2.9239	4400	0.0344	0.0990	0.0134	0.9438	0.0547	0.0124	0.9665
0.0466	3.0	4515	0.0337	0.0995	0.0134	0.9435	0.0547	0.0124	0.9664

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: 8f3df26