/ Модель

Характеристики

Контекст
512 токенов
Параметры
45,8 млн
Лицензия
Apache 2.0
Архитектура
t5 · dense
Базовая модель
flan-t5-small
Библиотека
transformers
Опубликована
13 сен 2026

looma-dictation-slm

Генерация текстаТекст → текст4 профессии

Небольшая англоязычная модель T5 для очистки транскриптов диктовки от речевых заполнителей и ошибок с восстановлением грамматики и пунктуации.

487скачиваний за 30 дней0лайковвеса обновлены13 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 «Текст» — 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

Looma Dictation SLM — небольшая последовательностная модель типа encoder-decoder на архитектуре T5, разработанная Twashin ilahi / Looma Team для постобработки расшифровок речи. Она очищает текст диктовки: удаляет слова-паразиты и повторы, исправляет грамматику, восстанавливает заглавные буквы и пунктуацию, сохраняя намерение говорящего. Модель настроена на преобразование текста без диалоговых ответов и рассчитана на локальное использование в браузере, на настольных компьютерах и мобильных устройствах.

Модель дообучена на google/flan-t5-small; метаданные указывают 45,8 млн параметров, контекст 512 токенов и библиотеку Transformers. Карточка описывает поддержку английского языка и применение к текстовым транскриптам ASR; для других языков требуется дополнительное дообучение. Лицензия — Apache 2.0. Указанные сценарии не включают чат, ответы на вопросы и длинную творческую генерацию.

Сценарии применения

  • очистка транскрипта ASR перед вставкой в документ
  • удаление слов-паразитов и междометий из диктовки
  • удаление повторов слов в распознанной речи
  • расстановка заглавных букв и пунктуации в надиктованном тексте
  • преобразование надиктованных вопросов в текст без ответа на них

Ограничения

Предназначена для английских транскриптов; коррекция текста на других языках требует дополнительного многоязычного дообучения. Не рассчитана на диалог, ответы на вопросы или длинную творческую генерацию.

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

Looma Dictation SLM (looma-dictation-slm)

A fine-tuned, lightweight Speech Normalization & Disfluency Removal SLM (Small Language Model) built specifically for real-time speech-to-text post-processing and private smart dictation.

Unlike standard conversational instruction-tuned LLMs that mistakenly answer questions when users dictate thoughts (e.g. answering "What is our budget?" with conversational text), Looma Dictation SLM strictly operates as a non-dialogue text restructuring engine. It removes filler words ("um", "uh", "basically"), fixes grammar, restores capitalization, and inserts proper punctuation while faithfully preserving speaker intent.


Model Details

  • Model Name: Looma Dictation SLM (looma-dictation-slm)
  • Developed by: Twashin ilahi / Looma Team
  • Shared by: tsilahi
  • Model Type: Sequence-to-Sequence (Seq2Seq) Encoder-Decoder
  • Base Model: google/flan-t5-small (~60M parameters)
  • Language(s): English (en)
  • License: Apache 2.0
  • Target Deployment: WebAssembly / ONNX (In-Browser with Transformers.js), Desktop, and Mobile devices (100% offline, $0 cloud cost)

Intended Uses

Direct Use

  • Voice Dictation Normalization: Transforming raw, messy automatic speech recognition (ASR) transcripts into clean, punctuated, professional sentences.
  • Speech Disfluency Stripping: Removing verbal pause fillers ("um", "uh", "er", "like", "you know", "basically") and stuttered word repetitions ("the the", "we we").
  • Zero-Reply Punctuation & Capitalization: Structuring dictated questions ("how can we solve this" $\rightarrow$ "How can we solve this?") without triggering conversational chatbot replies.

Out-of-Scope Use

  • Conversational chat or QA assistant (the model is explicitly tuned to never generate conversational answers).
  • Long-form creative writing or open-ended text synthesis.
  • Non-English audio transcript correction without further multi-lingual fine-tuning.

How to Get Started with the Model

Using Hugging Face transformers in Python

from transformers import AutoModelForSeq2SeqLM, AutoTokenizer

model_id = "tsilahi/looma-dictation-slm"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForSeq2SeqLM.from_pretrained(model_id)

raw_spoken_text = "um what is our total budget for the upcoming fiscal quarter"

# Use the task prefix "fix grammar: "
inputs = tokenizer(f"fix grammar: {raw_spoken_text}", return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=40)

polished_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
print("Input: ", raw_spoken_text)
print("Output:", polished_text)
# Output: What is our total budget for the upcoming fiscal quarter?

Examples of Speech Normalization

Raw Spoken Input (ASR)Looma Dictation SLM Output
what is our total budget for the upcoming fiscal quarterWhat is our total budget for the upcoming fiscal quarter?
um how can i reach customer support if the system goes downHow can I reach customer support if the system goes down?
uh uh basically we need to refactor the database schemaWe need to refactor the database schema.
er i think like you know we should ship this feature by fridayI think we should ship this feature by Friday.

Training Details

Training Data

Trained on speech-to-dictation paired datasets containing conversational speech transcripts matched with cleaned, punctuated, and grammatically restructured targets. Training examples explicitly cover question formats to neutralize conversational RLHF dialogue weights.

Training Procedure

  • Task Prefix: fix grammar:
  • Optimizer: AdamW
  • Epochs: 5
  • Batch Size: 8
  • Learning Rate: 3e-4 with linear decay
  • Precision: FP32 on Apple Silicon Metal Performance Shaders (MPS)
  • Final Training Loss: 0.0080 (converged from 0.3228)

Environmental Impact

  • Hardware Type: Apple Silicon M-Series GPU (MPS acceleration)
  • Hours Used: ~0.02 hours (72 seconds total training time)
  • Carbon Emitted: Estimated < 0.001 kg CO2 eq. (negligible energy footprint)

Model Architecture & Objective

  • Architecture: T5 (Text-to-Text Transfer Transformer) small
  • Parameters: ~60 Million parameters (quantizable to ~35MB INT8)
  • Objective: Seq2Seq cross-entropy loss over tokenized speech targets with teacher forcing.

Contact & Organization

  • Developed for: Looma (Private In-Person Interview & Smart Dictation)
  • Organization: Looma AI
  • Maintainer: tsilahi

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
T5ForConditionalGeneration
Ревизия весов
e159810

0 моделей