Khmer ASR SOTA
распознавание кхмерской речи для edge
1 min readupdated
Модель автоматического распознавания кхмерской речи от Vagabond404 на Wav2Vec2 CTC. Оптимизирована для встраиваемых устройств (Edge AI & Kinvoice), обучена на 174,2 часах кхмерской речи; квантизованные ONNX-веса занимают 338,6 МБ.
Ключевые особенности
- CER (Character Error Rate): 3,05–4,16% — в карточке заявлено преимущество над Whisper Large-v2 с 8,11% CER.
- WER (Word Error Rate): 59,78%, в карточке отмечено дальнейшее снижение.
- На мобильном CPU RTF = 0,163 — примерно в 6,1 раза быстрее реального времени.
- Обучение на 174,2 часах нативной кхмерской речи (260/653 shards).
- Квантизованные ONNX-веса весят 338,6 МБ.
Пример
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import librosa, torch
processor = Wav2Vec2Processor.from_pretrained('Vagabond404/khmer-asr-sota')
model = Wav2Vec2ForCTC.from_pretrained('Vagabond404/khmer-asr-sota')
speech, sr = librosa.load('audio_khmer.wav', sr=16000)
inputs = processor(speech, sampling_rate=16000, return_tensors='pt')
with torch.no_grad():
logits = model(inputs.input_values).logits
Подробнее
CER: 3,05–4,16% против 8,11% у Whisper Large-v2.WER: 59,78%; обучение на 174,2 ч кхмерской речи.
ONNX: 338,6 МБ; RTF 0,163 на мобильном CPU (6,1× быстрее реального времени).
Ограничение: язык только кхмерский.










Comments