К содержимому
Аудио

KASASPEECH (DONDO)

мультиязычное распознавание речи для языков Южной Ганы

2 мин чтенияобновлено

Модель автоматического распознавания речи (ASR), способная переводить аудиозаписи в текст сразу на восьми языках Южной Ганы: английском, французском, адангме, эве, фанти, га, нзема и ашанти-чви. Она создана на базе архитектуры w2v-BERT 2.0 (0.61B параметров) в рамках проекта DONDO от команды KhayaAI и использует CTC (метод выравнивания аудио и текста без жесткой привязки по времени). В отличие от одноязычных решений, один чекпоинт объединяет все восемь языков за счёт передачи специального языкового префикса перед аудиопризнаками. Подойдёт исследователям, занимающимся малоресурсными языками, и разработчикам речевых сервисов для Западной Африки.

Ключевые особенности

  • Единый чекпоинт на 0.61 млрд параметров поддерживает 8 языков региона с переключением через числовой префикс.
  • Обучена в два этапа со снижением скорости обучения (learning-rate annealing), что позволило на ряде языков обойти моноязычные бейзлайны.
  • Средний уровень ошибок по словам (WER) составляет 11.4% на тестовом наборе (например, 3.64% для французского и 6.57% для эве).
  • Распространяется под свободной лицензией Apache-2.0, разрешающей коммерческое использование и дообучение.

Что можно сделать

  • Использовать как базовую модель для дальнейшего файнтюна на собственных аудиоданных и диалектах Ганы.
  • Встроить в пайплайн транскрибации на базе библиотеки transformers для расшифровки речи на 16 кГц.
  • Применять в качестве открытого полигона для тестирования новых методов обучения ASR на малоресурсных языках.

Пример

processor = AutoProcessor.from_pretrained("KhayaAI/w2v-bert-ada_ewe_fat_fra_gaa_nzi_twi_en")
model = AutoModelForCTC.from_pretrained("KhayaAI/w2v-bert-ada_ewe_fat_fra_gaa_nzi_twi_en")
feats = processor(speech.squeeze().numpy(), sampling_rate=16000, return_tensors="pt").input_features[0]
feats = add_language_prefix(feats, lang_id=2, num_langs=32)  # 2 = Asante Twi
with torch.no_grad():
    logits = model(input_features=feats.unsqueeze(0)).logits
print(processor.batch_decode(torch.argmax(logits, dim=-1))[0])
ПодробнееСредний WER: 14.7% после 1-го этапа обучения (LR 5e-5) и 11.4% после 2-го этапа (LR 5e-6).
Требования: аудио на вход должно иметь частоту дискретизации 16 кГц; размер модели — 0.61B параметров.
Ограничения: обучалась преимущественно на чтении религиозных текстов; нет встроенного автоопределения языка (требуется ручной префикс); качество на африканском английском (WER 27.4%) ниже, чем у специализированной моноязычной модели (16.9%).
Обсудить Telegram 1 3

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

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.

    # JOHANNES02/KASASPEECH
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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 JOHANNES02/KASASPEECH --local-dir ~/models/KASASPEECH
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к KASASPEECH
  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

Новые посты про версии KASASPEECH — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

JOHANNES02/KASASPEECH
Автор
JOHANNES02
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

31

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии