К содержимому
Аудио

Voxira Yorùbá Phase XII

распознавание речи с переключением между йоруба и английским

2 мин чтенияобновлено

Акустический чекпоинт для автоматического распознавания речи (ASR), обученный на смеси английского языка, языка йоруба и их смешанной формы (code-switching, когда говорящий переходит с одного языка на другой в одной фразе). Модель построена на базе facebook/wav2vec2-large-xlsr-53 (315 млн параметров, архитектура Wav2Vec2ForCTC) от автора Awesome-x. В отличие от прошлой версии Phase XI, где менялся только декодер, здесь заново обучены верхние слои трансформера и выходная голова на 47 токенов. Пригодится разработчикам голосовых сервисов, работающих с двуязычной западноафриканской речью.

Ключевые особенности

  • Свежие акустические веса: дообучение шло 10 эпох (2 950 шагов) на корпусах Google FLEURS и YECS при замороженных нижних 12 слоях трансформера.
  • Поддержка тонов йоруба: словарь распознаёт диакритические знаки тонов йоруба (например, À, É, Ọ, Ṣ) вместе с базовым латинским алфавитом.
  • Пока без языковой модели: чекпоинт использует простое жадное CTC-декодирование (argmax); внешняя языковая модель KenLM запланирована для следующего этапа.

Что можно сделать

  • Транскрибировать смешанные аудиозаписи: расшифровывать голосовые сообщения или подкасты, где спикеры свободно смешивают английский и йоруба.
  • Подключить внешний декодер: прикрутить собственную языковую модель через pyctcdecode, чтобы исправлять фонетические ошибки в английских словах.

Пример

import torch, librosa
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

processor = Wav2Vec2Processor.from_pretrained("Awesome-x/voxira-phaseXII-acoustic")
model = Wav2Vec2ForCTC.from_pretrained("Awesome-x/voxira-phaseXII-acoustic")
audio, _ = librosa.load("sample.wav", sr=16000, mono=True)
logits = model(processor(audio, sampling_rate=16000, return_tensors="pt").input_values).logits
print(processor.batch_decode(torch.argmax(logits, dim=-1))[0])
Подробнее Размер весов: 1,26 ГБ (315M параметров, F32), на вход требуется моно-аудио 16 кГц (ролики длиннее ~30 секунд лучше резать на фрагменты).
Метрики: независимая оценка на отложенной выборке пока не проводилась; validation loss снизился с 5,21 на 500-м шаге до 2,46 на 2500-м.
Ограничения: вывод идёт в верхнем регистре без пунктуации, встречаются токены [UNK] и фонетическое написание английских слов (например, ACOUNT BAANC).
Обсудить Telegram 0 10

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 1.2 GB · готовые файлы1.8 GB
  • BF16веса 0.6 GB1.1 GB
  • FP8 / INT8рекомендуемвеса 0.3 GB0.8 GB
  • 4-bitвеса 0.2 GB0.7 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · F32 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # Awesome-x/voxira-phaseXII-acoustic
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download Awesome-x/voxira-phaseXII-acoustic --local-dir ~/models/voxira-phaseXII-acoustic
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к voxira-phaseXII-acoustic
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

facebook/wav2vec2-large-xlsr-53

Новые посты про версии wav2vec2-large-xlsr-53 — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 1Все на Hugging Face
Дообучения 12Все на Hugging Face

О модели

Awesome-x/voxira-phaseXII-acoustic
Автор
Awesome-x
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

100

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Аудио

Haru-4B

Haru-4B
Аудио

SOV-Transcribe-1

SOV-Transcribe-1