/ Модель

Характеристики

Параметры
413 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
omniASR-CTC-300M
Библиотека
transformers
Опубликована
17 авг 2026

omniASR-CTC-300M-v2-Zulu-All-v2

Распознавание речиАудио → текст9 профессий

Многоязычная модель Wav2Vec2 CTC для преобразования речи из аудио в текст.

138скачиваний за 30 дней0лайковвеса обновлены3 окт 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

omniASR-CTC-300M-v2-Zulu-All-v2 — модель распознавания речи на базе Wav2Vec2 с архитектурой CTC, преобразованная из чекпойнта OmniLingual fairseq2 omniASR_CTC_300M_v2. Она принимает аудио и выдаёт распознанную речь в виде текста; выходной слой формирует CTC-логиты по словарю SentencePiece. Модель предназначена для многоязычной транскрибации речи. В конфигурации указаны 24 слоя энкодера и размер скрытого представления 1024; число параметров по метаданным — 413,2 млн.

Совпадение численных выходов с исходным чекпойнтом fairseq2 подтверждено на одном отложенном аудиопримере с допуском atol=1e-4. Репозиторий использует формат safetensors и библиотеку Transformers. В карточке не названы конкретные поддерживаемые языки, поэтому их нельзя перечислить. Лицензия в предоставленных данных не указана.

Сценарии применения

  • транскрибация многоязычной речи из аудиозаписей
  • распознавание устной речи для получения текстовой расшифровки
  • автоматическое создание черновиков стенограмм

Ограничения

В предоставленной карточке не перечислены поддерживаемые языки и не приведены результаты оценки качества распознавания; подтверждение совпадения с исходным чекпойнтом относится к одному аудиопримеру.

Для каких профессий подходит9

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

omniASR-CTC-300M-v2-Zulu-All-v2

Wav2Vec2 CTC ASR model (v2) converted from the OmniLingual fairseq2 checkpoint omniASR_CTC_300M_v2.

Fine-tuned from facebook/omniASR-CTC-300M for isiZulu speech recognition on all isiZulu ASR training data in our mix, then converted to Hugging Face transformers format.

Best validation WER: 17.75 (step 685,000).

The model outputs CTC logits over a SentencePiece vocabulary.

Model details

PropertyValue
HF classWav2Vec2ForCTC
Encoder layers24
Hidden size1024
Attention heads16
FFN intermediate4096
Vocabulary size10288
Source frameworkfairseq2
Source cardomniASR_CTC_300M_v2
Parity verification✅ Verified

Numerical parity against the original fairseq2 checkpoint has been confirmed: outputs match to within atol=1e-4 on a held-out audio sample.

Usage

from transformers import Wav2Vec2ForCTC, AutoProcessor
import torch, torchaudio

processor = AutoProcessor.from_pretrained("uctnlp/omniASR-CTC-300M-v2-Zulu-All-v2")
model     = Wav2Vec2ForCTC.from_pretrained("uctnlp/omniASR-CTC-300M-v2-Zulu-All-v2")
model.eval()

waveform, sr = torchaudio.load("audio.wav")
if sr != 16_000:
    waveform = torchaudio.functional.resample(waveform, sr, 16_000)

inputs = processor(
    waveform.squeeze().numpy(), sampling_rate=16_000, return_tensors="pt"
)
with torch.no_grad():
    logits = model(**inputs).logits          # (1, T, vocab)

pred_ids   = torch.argmax(logits, dim=-1)
transcript = processor.decode(pred_ids[0])
print(transcript)

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
62d99bd

0 моделей