/ Модель

Характеристики

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

omniASR-CTC-300m-v2-Zulu-Baseline

Распознавание речиАудио → текст8 профессий

Конвертированная модель Wav2Vec2 CTC для транскрибации речи, включая зулу и другие языки OmniLingual.

43скачиваний 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-Baseline — модель распознавания речи на базе Wav2Vec2 CTC, преобразованная командой uctnlp из чекпойнта fairseq2 OmniLingual omniASR_CTC_300M_v2. Модель принимает аудио и выдаёт текстовую транскрипцию через CTC-логиты по словарю SentencePiece. В метаданных указано 413,2 млн параметров; архитектура включает 24 слоя энкодера с размером скрытого состояния 1024.

Модель предназначена для автоматической транскрибации речи, включая зулу; README также указывает на поддержку нескольких языков. Численная эквивалентность исходному чекпойнту fairseq2 проверена на одном отложенном аудиопримере с допуском atol=1e-4. Сведения о лицензии и ограничениях точности в предоставленных данных отсутствуют.

Сценарии применения

  • транскрибация речи на зулу
  • автоматическое преобразование аудиозаписей в текст
  • распознавание многоязычной речи

Ограничения

В предоставленных данных не описаны ограничения качества или условия лицензии. Проверка численной эквивалентности указана только для одного отложенного аудиопримера.

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

omniASR-CTC-300M-v2-Zulu

Wav2Vec2 CTC ASR model (Zulu) 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: 27.25 (step 38,500).

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 datasets import load_dataset, Audio
from transformers import Wav2Vec2ForCTC, AutoProcessor
import pandas as pd
import torch

MODEL_PATH = "uctnlp/omniASR-CTC-300M-v2-Zulu-Baseline"
DATASET_NAME = "danielshaps/nchlt_speech_zul"

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# Load model
processor = AutoProcessor.from_pretrained(MODEL_PATH)

model = Wav2Vec2ForCTC.from_pretrained(MODEL_PATH)
model.to(device)
model.eval()

# Load NCHLT isiZulu test set
dataset = load_dataset(DATASET_NAME, split="test")
dataset = dataset.cast_column("audio", Audio(sampling_rate=16_000))

sample = dataset[0]
audio = sample["audio"]

inputs = processor(
    audio["array"],
    sampling_rate=16_000,
    return_tensors="pt",
).to(device)

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

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

print("Reference :", sample["text"])
print("Prediction:", transcript)

# Expected results for test sample
# Reference : izokwenza umyalelo wokuthi
# Prediction: izokwenza umyalelo wokuthi

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
35d82a4

0 моделей