К содержимому
Аудио

w2v-BERT 2.0 для киньяруанда

CTC-ASR для нестандартной речи

2 мин чтения

Это CTC-модель для распознавания речи на киньяруанда (rw), дообученная на одну эпоху от badrex/w2v-bert-2.0-kinyarwanda-asr. База — w2v-BERT 2.0 с CTC-головой, около 600 млн параметров; дообучение шло на CDLI non-standard speech dataset с преимущественно молодыми взрослыми, которые заикаются. Автор предупреждает: это ранняя версия, лучше использовать oluwagbotty/w2vbert-ky-ft-3ep.

Ключевые особенности

  • CTC-архитектура: не застревает в циклах повторения.
  • Вывод — строчные буквы киньяруанда, пробелы и апострофы, без пунктуации.
  • На тесте CDLI: WER 42.8%, CER 12.8%; до дообучения — WER 49.7%, CER 15.2%.
  • Обучение всего 1 эпоха (721 шаг), автор советует 3-эпохную версию.
  • Выход дословный: повторы заикания часто сохраняются в тексте.

Пример

import soundfile as sf, torch
from transformers import AutoProcessor, Wav2Vec2BertForCTC
repo = "oluwagbotty/w2vbert-ky-ft"
p = AutoProcessor.from_pretrained(repo); m = Wav2Vec2BertForCTC.from_pretrained(repo).eval()
a, r = sf.read("clip_16khz_mono.wav")  # 16 kHz, mono
i = p(a, sampling_rate=16000, return_tensors="pt")
with torch.no_grad(): l = m(**i).logits
print(p.batch_decode(l.argmax(-1))[0])
ПодробнееТест: 1 169 записей, 9 спикеров; WER 42.8%, CER 12.8%, per-utterance WER 44.6%.
Валидация: WER 44.05% на шаге 500 (эпоха 0.69), 45.3% после полной эпохи.
Ограничения: всего 9 тестовых спикеров, различия менее ~3 WER пунктов не подтвердить; около двух третей ошибок — варианты орфографии и пробелов, поэтому CER честнее.
Данные: train — 11 536 записей, 46 спикеров, 47.7 часа; модель не для диагностики речи и решений о людях.
Обсудить Telegram 0 28

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 2.2 GB · готовые файлы2.9 GB
  • BF16веса 1.1 GB1.7 GB
  • FP8 / INT8рекомендуемвеса 0.5 GB1.1 GB
  • 4-bitвеса 0.3 GB0.8 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.

    # oluwagbotty/w2vbert-ky-ft
    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 oluwagbotty/w2vbert-ky-ft --local-dir ~/models/w2vbert-ky-ft
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к w2vbert-ky-ft
  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

badrex/w2v-bert-2.0-kinyarwanda-asr
  1. w2v-bert-2.0основа семьи
  2. w2v-bert-2.0-kinyarwanda-asr
  3. w2vbert-ky-ft

Новые посты про версии w2v-bert-2.0 — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 1Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 1Все на Hugging Face

О модели

oluwagbotty/w2vbert-ky-ft
Автор
oluwagbotty
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

280

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Аудио

NebulaMapper

NebulaMapper