/ Модель

Характеристики

Параметры
113 млн
Лицензия
CC BY-NC 4.0
Архитектура
wav2vec2 · dense
Базовая модель
indicwav2vec_v1_hindi
Библиотека
transformers
Опубликована
31 мая 2026

nepali-asr-indicwav2vec

Распознавание речиАудио → текст4 профессии

Модель на базе IndicWav2Vec распознаёт непальскую речь и преобразует её в текст деванагари.

188скачиваний за 30 дней0лайковвеса обновлены31 мая 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

IndicWav2Vec Nepali — модель распознавания речи, созданная дообучением ai4bharat/indicwav2vec_v1_hindi для непальского языка в рамках сравнительного бенчмарка непальских ASR-моделей. Она построена на Wav2Vec 2.0 с CTC-декодированием и содержит 113,3 млн параметров по метаданным Hugging Face. Принимает аудио, подготовленное как монофоническое с частотой 16 кГц, и выдаёт текст на письме деванагари.

Модель предназначена для транскрибирования непальской речи, в частности записанной и читаемой речи. На тесте OpenSLR SLR54 указаны WER 14,89% и CER 3,07%; на FLEURS (ne_np) — WER 40,68%, а на Common Voice ne-NP — 51,65%. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства в рамках некоммерческих условий.

Обучение охватывало только читаемую речь. Модель не проверялась для спонтанных разговоров, смешения непальского с английским или хинди и диалектных вариантов; при декодировании внешний языковой модуль не используется. Качество на шумном аудио и пользовательских записях может быть ниже, чем на тестовых данных.

Сценарии применения

  • транскрибация записанной непальской речи
  • распознавание читаемой речи на непальском языке
  • создание субтитров для непальских аудиозаписей

Ограничения

Модель обучалась только на читаемой речи; её качество для спонтанной, смешанной непальско-английской или непальско-хинди речи и диалектов не оценивалось. Внешняя языковая модель при декодировании не применяется, а на тесте Common Voice указана ошибка WER 51,65%.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

IndicWav2Vec (Nepali)

Fine-tuned multilingual pre-trained ASR for Nepali — part of the controlled six-model Nepali ASR Benchmark released alongside the paper Comparative Analysis of Multilingual Pre-trained Models for Nepali Automatic Speech Recognition.

Model summary

FieldValue
Base modelai4bharat/indicwav2vec_v1_hindi
Architecture familyCTC self-supervised (Wav2Vec 2.0)
Parameters94.4M
LanguageNepali (ne), Devanagari script
Fine-tuning corpusOpenSLR SLR54 (~165 hr, speaker-disjoint 80/10/10 split)
Training duration5.9 h on a single NVIDIA L4 (24 GB VRAM)
Best epoch10

Benchmark results

Word and character error rate on the three independent test sets, plus inference Real-Time Factor (RTF) on a single NVIDIA L4 with batch size 1 (lower RTF = faster).

Test setWER (%)CER (%)RTF
OpenSLR SLR54 (in-domain)14.893.070.0025
FLEURS (ne_np)40.6812.740.0030
Common Voice (ne-NP)51.6515.380.0024

WER and CER are computed with jiwer after NFC normalisation of both reference and hypothesis. Best in-domain performance during training was WER 15.08% / CER 3.15%.

Note on Common Voice (Nepali). As of 2025, Mozilla distributes Common Voice via the Mozilla Data Collective (MDC) instead of the Hugging Face Hub. The benchmark numbers below were produced on the ne-NP test split of CV 25.0 downloaded from MDC.

Usage

# pip install transformers librosa soundfile torch
import torch
import librosa
import unicodedata
from transformers import Wav2Vec2ForCTC, AutoProcessor

REPO = "sumanpaudel1997/nepali-asr-indicwav2vec"
device = "cuda" if torch.cuda.is_available() else ("mps" if torch.backends.mps.is_available() else "cpu")

processor = AutoProcessor.from_pretrained(REPO)
model = Wav2Vec2ForCTC.from_pretrained(REPO).to(device).eval()

# Load and resample to 16 kHz mono (the training rate).
audio, _ = librosa.load("your_clip.wav", sr=16000, mono=True)

inputs = processor(audio, sampling_rate=16000, return_tensors="pt", padding=True)
with torch.no_grad():
    logits = model(inputs.input_values.to(device)).logits
pred_ids = torch.argmax(logits, dim=-1)
text = processor.batch_decode(pred_ids)[0]
text = unicodedata.normalize("NFC", text).strip()
print(text)
# Example output (depends on clip): 'नेपालको संविधानले सबै नागरिकलाई समान अधिकार प्रदान गर्दछ।'

Training protocol (summary)

  • Audio resampled to 16 kHz mono, transcriptions Unicode-normalised to NFC.
  • Utterances shorter than 0.5 s or longer than 30 s removed.
  • Family-matched optimiser/scheduler: AdamW, family-specific learning rate, warmup, and decay.
  • SpecAugment applied to every model.
  • Early stopping when validation WER stagnated for three consecutive evaluation rounds.

Full hyperparameters and the controlled comparison across all six models are in the paper (see Citation).

Limitations

  • Fine-tuned on read speech only. Performance on spontaneous conversational speech, code-switched (Nepali–English / Hindi) speech, and dialectal variation is out of scope for this release.
  • No external language model is used during decoding — reported numbers reflect acoustic-model performance only. Shallow fusion / n-best rescoring with a Nepali LM is expected to deliver additional gains, especially on noisy audio.
  • Crowd-sourced Common Voice (~48 % WER for the best model in the suite) remains the largest open problem; this checkpoint is no exception.

License

Released under CC-BY-NC-4.0 — research/non-commercial use, attribution required. The licences of the source base model (linked above) and of the fine-tuning datasets (OpenSLR SLR54, FLEURS, Common Voice) apply on top of this restriction. For commercial use, contact the authors.

Acknowledgements

M.Sc. (Data Science) thesis carried out at the School of Mathematical Sciences, Institute of Science and Technology, Tribhuvan University, Kathmandu, Nepal, under the supervision of Asst. Prof. Sarbin Sayami (Central Department of Computer Science and Information Technology). Thanks to the open-source teams behind Wav2Vec 2.0, Whisper, MMS, IndicWav2Vec, and NVIDIA NeMo for the publicly released base checkpoints, and to OpenSLR, Google FLEURS, and Mozilla Common Voice for the source corpora.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
aedaa1f

0 моделей