/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
swecha-gonthuka-asr
Библиотека
transformers
Опубликована
9 июл 2026

swecha_gonthuka_finetuned_asr

Распознавание речиАудио → текст6 профессий

Дообученная Wav2Vec2-модель преобразует речь на телугу в текст для транскрибации и создания субтитров.

7скачиваний за 30 дней0лайковвеса обновлены18 июл 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

Модель Surya Teja — дообученная версия Wav2Vec2ForCTC для автоматического распознавания речи на телугу. Она преобразует аудио на телугу в текст и предназначена для транскрибации, создания субтитров, голосовых интерфейсов, образовательных и вспомогательных приложений. Модель содержит 113,3 млн параметров, распространяется в формате Safetensors и использует библиотеку Hugging Face Transformers. Для входного аудио в README указаны формат WAV и частота дискретизации 16 кГц.

Модель обучена на пользовательском наборе аудиозаписей проекта Gonthuka. Для оценки использовались метрики WER и CER, однако численные результаты не приведены. Лучше всего модель подходит для речи на телугу; шумные записи и смешанная речь могут снижать точность. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация аудиозаписей на телугу
  • создание субтитров для видео на телугу
  • распознавание речи в голосовых интерфейсах
  • преобразование речи на телугу в текст для образовательных материалов
  • распознавание речи для приложений доступности

Ограничения

Точность может снижаться на шумных записях и при смешанной речи. Численные результаты WER и CER в карточке не приведены.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Gonthuka Telugu ASR Fine-Tuned Model

Overview

This repository contains a fine-tuned Wav2Vec2 Automatic Speech Recognition (ASR) model for the Telugu language.

The model has been fine-tuned on a custom Telugu speech dataset collected as part of the Gonthuka Project. It converts spoken Telugu audio into Telugu text and can be used for transcription, subtitle generation, accessibility applications, and speech-enabled systems.


Base Model

  • Model: swechatelangana/swecha-gonthuka-asr
  • Architecture: Wav2Vec2ForCTC
  • Framework: Hugging Face Transformers
  • Language: Telugu

Fine-Tuning Dataset

The model was fine-tuned using a custom Telugu speech dataset.

Dataset Details

PropertyValue
LanguageTelugu
Audio FormatWAV
Sampling Rate16 kHz
ChannelsMono
TaskAutomatic Speech Recognition

Training Details

ParameterValue
ArchitectureWav2Vec2ForCTC
FrameworkHugging Face Transformers
TaskSpeech-to-Text
LanguageTelugu

Evaluation

The model was evaluated using standard Automatic Speech Recognition metrics.

MetricDescription
WERWord Error Rate
CERCharacter Error Rate

Usage

Install

pip install transformers torchaudio librosa

Load the Model

from transformers import Wav2Vec2Processor
from transformers import Wav2Vec2ForCTC

processor = Wav2Vec2Processor.from_pretrained(
    "suryateja2109/swecha_gonthuka_finetuned_asr"
)

model = Wav2Vec2ForCTC.from_pretrained(
    "suryateja2109/swecha_gonthuka_finetuned_asr"
)

Inference

import torch
import librosa

speech, sr = librosa.load("sample.wav", sr=16000)

inputs = processor(
    speech,
    sampling_rate=16000,
    return_tensors="pt",
    padding=True
)

with torch.no_grad():
    logits = model(**inputs).logits

predicted_ids = torch.argmax(logits, dim=-1)

transcription = processor.batch_decode(predicted_ids)

print(transcription[0])

Applications

  • Telugu Speech Recognition
  • Voice Assistants
  • Speech-to-Text Systems
  • Subtitle Generation
  • Audio Transcription
  • Accessibility Applications
  • Educational Tools

Limitations

  • Best suited for Telugu speech.
  • Performance may decrease with noisy recordings.
  • Mixed-language speech may reduce transcription accuracy.
  • Larger and more diverse datasets can further improve performance.

Future Work

  • Increase dataset size
  • Improve Word Error Rate (WER)
  • Support noisy environments
  • Add multilingual support
  • Optimize for real-time inference

Citation

If you use this model in your research or applications, please cite this repository.

@misc{gonthuka_asr,
  author = {Surya Teja},
  title = {Gonthuka Telugu ASR Fine-Tuned Model},
  year = {2026},
  publisher = {Hugging Face},
  url = {https://huggingface.co/suryateja2109/swecha_gonthuka_finetuned_asr}
}

License

This project is released under the Apache-2.0 License.


Author

Surya Teja

B.Tech Data Science

Fine-tuned as part of the Gonthuka Telugu ASR Project.

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
633c946

0 моделей