/ Модель

Характеристики

Библиотека
nemo
Опубликована
7 сен 2026

Yemberzal

Распознавание речиАудио → текст3 профессии

Yemberzal — дообученная на кашмирской речи модель NeMo для автоматической транскрипции аудиозаписей.

28скачиваний за 30 дней0лайковвеса обновлены7 сен 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

Yemberzal — модель автоматического распознавания кашмирской речи, разработанная как полный fine-tune ARTPARK-IISc/SraVaani-1.0. Это контрольная точка эпохи 28, предназначенная для распознавания речи в рабочем процессе сбора данных. Модель построена на архитектуре NVIDIA NeMo EncDecHybridRNNTCTCBPEModel; основной способ декодирования — TDT/RNN-T, также доступно диагностическое декодирование CTC. При дообучении использовано 45 часов данных IndicVoices-R на кашмирском языке.

На официальном тестовом разделе IndicVoices-R для кашмирского языка, после фильтрации длительности записей и удаления дубликатов, WER составил 38,13%, а CER — 12,74% на 403 записях. Эти результаты указывают на необходимость проверки распознанных транскрипций, особенно имён собственных, переключения языков, коротких фрагментов и речи с шумом. Контрольная точка предназначена для указанного исследовательского и рабочего процесса сбора данных; перед распространением или коммерческим применением следует проверить условия базовой модели и обучающих данных.

Сценарии применения

  • транскрибирование кашмирской речи в аудиозаписях
  • подготовка транскрипций для сбора кашмирских речевых данных
  • черновая расшифровка коротких кашмирских высказываний
  • распознавание речи на тестовых и исследовательских наборах кашмирского языка

Ограничения

На тестовом разделе из 403 записей WER составил 38,13%, поэтому транскрипции требуют проверки fluent-носителем кашмирского языка. Особенно важно проверять имена собственные, переключение языков, короткие записи и речь в шуме.

Для каких профессий подходит3

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

Yemberzal — Kashmiri SraVaani ASR (Epoch 28)

Yemberzal is a Kashmiri automatic speech-recognition checkpoint, full fine-tuned from SraVaani. This model is the epoch-28 checkpoint used as the primary Kashmiri ASR model in the associated data-collection service.

Model lineage and details

  • Base model: ARTPARK-IISc/SraVaani-1.0
  • Adaptation: full fine-tune for Kashmiri ASR
  • File: best_epoch28.nemo
  • Framework: NVIDIA NeMo EncDecHybridRNNTCTCBPEModel
  • Primary decoding path: TDT / RNN-T
  • Recommended runtime: Python 3.11 and nemo_toolkit[asr]==2.7.3

Training and validation

This is the epoch-28 checkpoint from a full fine-tune on 45.0 hours of Kashmiri IndicVoices-R data. The experiment recorded a validation WER of 37.83% at epoch 28. The available report does not state the validation split's number of utterances or duration, so those values are intentionally not inferred here.

Held-out test set

Evaluation uses the official IndicVoices-R Kashmiri test split, after the configured 0.5–30 second clip-duration filter and transcript deduplication:

Test-set propertyValue
Utterances / clips403
Duration0.9043 hours (about 54.3 minutes)
Speakers16
Reference words9,357
Reference characters49,326

Test results

Metrics are corpus-level micro averages. Use the TDT / RNN-T decoder for this checkpoint.

DecoderWER95% bootstrap WER CICERExact utterances
TDT / RNN-T (primary)38.13%36.57–39.69%12.74%10 / 403
CTC (diagnostic)42.60%40.93–44.25%14.95%8 / 403

Loading locally

from nemo.collections.asr.models import EncDecHybridRNNTCTCBPEModel

model = EncDecHybridRNNTCTCBPEModel.restore_from("best_epoch28.nemo")
model.change_decoding_strategy(decoder_type="rnnt")
model.eval()
text = model.transcribe(["sample.wav"], batch_size=1, verbose=False)[0]

Use and limitations

This research/deployment checkpoint is for the associated data-collection workflow. The held-out test set is relatively small and does not substitute for native-speaker acceptance review. Validate transcripts—particularly proper nouns, code-switching, short utterances, and noisy speech—with a fluent Kashmiri reviewer before treating them as ground truth. Before redistribution or commercial use, review the base model and training-data terms that apply to your use case.

Как запустить

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

GPU в ailist

Универсальный рантайм · nemo

Нельзя запустить

Модели NVIDIA NeMo требуют отдельного рантайма.

Ревизия весов
e024002

0 моделей