/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
MOSS-Transcribe-Diarize
Опубликована
3 авг 2026

khasi-asr-transcribe-diarize-v2

Распознавание речиАудио, текст → текст8 профессий

Модель транскрибирует аудио на кхаси, английском и хинди, поддерживая временные метки и диаризацию говорящих.

16скачиваний за 30 дней0лайковвеса обновлены3 авг 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

Модель toiar/khasi-asr-transcribe-diarize-v2 — дообученная версия MOSS-Transcribe-Diarize от OpenMOSS-Team для транскрибирования аудио на кхаси, английском и хинди. Она обучена на корпусе объёмом около 342 часов и поддерживает режимы вывода с временными метками и диаризацией, а также только с указанием говорящих. Базовая модель имеет размер 0,9 млрд параметров и предназначена для длинных записей с транскрипцией, временными метками, разделением говорящих и аннотациями акустических событий.

Модель подходит для расшифровки многоязычных записей и разметки реплик по говорящим. Лицензия — Apache 2.0. Для загрузки требуется trust_remote_code=True.

Сценарии применения

  • транскрибирование речи на кхаси
  • расшифровка англоязычных аудиозаписей
  • транскрибирование речи на хинди
  • разделение транскрипции по говорящим
  • создание транскриптов с временными метками

Ограничения

В spot-check проверках для хинди иногда встречалась запись латиницей вместо деванагари, особенно на коротких фрагментах. Для кхаси отмечены редкие ошибки при распознавании чисел и цифр.

Для каких профессий подходит8

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

MOSS-Transcribe-Diarize fine-tuned for Khasi

Fine-tuned from OpenMOSS-Team/MOSS-Transcribe-Diarize (0.9B) on a combined ~342-hour corpus spanning Khasi (kha), English (en), and Hindi (hi), with both timestamped-diarization and speaker-only output modes.

Training data: toiar/Khasi_ASR_Final_Combined (125,220 train rows / 1,153 held-out validation rows, stratified by language and output mode).

Usage

Load exactly like the base model, with trust_remote_code=True:

import torch
from transformers import AutoModelForCausalLM, AutoProcessor
from moss_transcribe_diarize.inference_utils import build_transcription_messages, generate_transcription

model_id = "toiar/khasi-asr-transcribe-diarize-checkpoints-v2"
model = AutoModelForCausalLM.from_pretrained(model_id, trust_remote_code=True, dtype="auto").eval()
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)

prompt = (
    "请将音频转写为文本,每一段需以起始时间戳和说话人编号"
    "([S01]、[S02]、[S03]…)开头,正文为对应的语音内容,"
    "并在段末标注结束时间戳,以清晰标明该段语音范围。"
)
messages = build_transcription_messages("audio.wav", prompt=prompt)
result = generate_transcription(model, processor, messages, max_new_tokens=1024, do_sample=False)
print(result["text"])

Training

  • 2 epochs, effective batch size 16, learning rate 1e-5, bf16
  • Final eval_loss: 0.2963 (converged from step ~9,000 onward)
  • See the base model's official finetune.py for the training script this was built on.

Known limitations

  • Hindi (the smallest language slice, ~13.5h) has shown occasional script failures on short utterances (falling back to Romanized text instead of Devanagari) in spot checks. Verify carefully before relying on this model for Hindi transcription.
  • Rare numeric/digit transcription errors observed in Khasi spot checks.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Ревизия весов
aa5a23e

0 моделей