/ Модель

Характеристики

Параметры
403 млн
Лицензия
CC BY-NC 4.0
Архитектура
wav2vec2 · dense
Базовая модель
mms-300m
Опубликована
26 сен 2026

Meta-MMS-300M-ASR

Распознавание речиАудио → текст

Дообученная Wav2Vec2-модель для распознавания бирманской речи и преобразования её в текст.

56скачиваний за 30 дней0лайковвеса обновлены28 сен 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 thantzinphyo/Meta-MMS-300M-ASR — дообученная версия facebook/mms-300m для автоматического распознавания речи на бирманском языке. Она построена на архитектуре Wav2Vec2 с CTC-головой и принимает монофоническое аудио с частотой дискретизации 16 кГц; размер модели по метаданным — 402,7 млн параметров. Для распознавания используется словарь из 64 бирманских символьных токенов.

Модель предназначена для преобразования бирманской речи в текст, в том числе записей диалогов. При обучении использовался корпус синтетической речи объёмом около 22 часов; тестовая выборка включает двух дикторов, не встречавшихся при обучении. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Оценки README показывают улучшение на этапах обучения, однако приведённые результаты не позволяют судить о качестве на широком спектре реальной речи.

Сценарии применения

  • транскрибирование бирманских диалогов
  • распознавание бирманской речи из аудиозаписей
  • получение текста из монофонических записей с частотой 16 кГц

Ограничения

Обучение проводилось примерно на 22 часах синтетической речи от 13 дикторов, поэтому качество на естественной речи и других голосах может отличаться. Лицензия запрещает коммерческое использование.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Meta-MMS-300M-ASR ( Burmese )

This model is a fine-tuned version of facebook/mms-300m for Automatic Speech Recognition (ASR) in Burmese .

Model Overview

  • Architecture: Meta MMS (300M)
  • Parameters: ~317M
  • Task: Automatic Speech Recognition (ASR)
  • Language: Burmese (my)
  • Sampling Rate: 16,000 Hz (Mono)
  • Tokenizer / Vocab: 64 Burmese Character Tokens (CTC Head)

Dataset Details

The model was trained on a standardized, high-quality Burmese speech corpus:

  • Total Duration: ~22 Hours of audio
  • Total Utterances: 24,560 WAV files (16 kHz, 16-bit PCM, Mono)
  • Total Speakers: 13 Synthetic Burmese Speakers
  • Speakers: ပီယ ၊ ဝါစာ ၊ သီရိ ၊ ဒီပ ၊ အက္ခရာ ၊ သဒ္ဒါ ၊ သရ ၊ တာရာ ၊ ကဝိ ၊ သုတ ၊ ပသာဒ ၊ ဂီတ ၊ နန္ဒ
  • Training & Validation: 11 speakers (20,699 train utterances, 2,300 validation utterances)
  • Test Set (Held-Out): 2 unseen speakers ( ဂီတ & နန္ဒ , 1,561 utterances )
  • Text Preprocessing: Standardized Myanmar Unicode with unified word segmentation and punctuation removal. The held-out test split evaluates zero-shot acoustic generalization across completely unseen voices.

Training Configuration

ParameterValue
Effective Batch Size64 (8 per device x 4 gradient accumulation)
Base Architecturefacebook/mms-300m ( Wav2Vec 2.0 with 24 Transformer layers, 1024 hidden size, 16 attention heads )
Acoustic Feature Extractor16 kHz 1D raw waveform input (CNN encoder frozen during training)
TokenizationBurmese Unicode character CTC vocabulary
Peak Learning Rate3.0e-4
Learning Rate SchedulerLinear
Warmup Steps200
Total Steps2,000 (~6 Epochs)
Gradient CheckpointingEnabled (Input Require Grads)
AugmentationNone

Evaluation Results

Stage / EvaluationStepTrain LossVal LossWER (%)CER (%)SER (%)DER (%)IER (%)chrF
Baseline (Untrained)0--100.00121.74100.0084.620.001.30
Validation Set2506.41411.087667.6614.8799.1710.484.2269.03
Validation Set5001.58760.409637.756.3485.746.622.8687.67
Validation Set7500.81110.297128.934.4474.653.764.0891.69
Validation Set10000.51570.271726.273.8470.913.763.5993.22
Validation Set12500.35670.245924.873.5667.224.202.9494.06
Validation Set15000.17110.265623.403.2564.092.834.1194.56
Validation Set17500.05640.295121.232.9360.223.203.3495.22
Validation Set20000.02080.297220.662.8559.353.123.1595.39
UNSEEN TEST (Final)Final--32.646.6690.015.332.6087.22

Usage

import torch
from transformers import pipeline

pipe = pipeline(
    'automatic-speech-recognition',
    model='thantzinphyo/Meta-MMS-300M-ASR',
    device='cuda:0' if torch.cuda.is_available() else 'cpu',
)

output = pipe('audio.wav')
print(output['text'])

References & Citations

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
3cd9cfe

0 моделей