Khmer ASR Conformer-CTC v1
12,3 млн параметров для кхмерской речи
1 мин чтения
Модель распознавания речи от PhonSobon, обученная с нуля без предобученных весов. Это Conformer-CTC-энкодер на 12,3 млн параметров: принимает 16 кГц mono-аудио и выдаёт кхмерские символы, цифры и латиницу для английских слов, встречающихся в кхмерской речи.
Ключевые особенности
- Архитектура
conformer_s: 16 слоёв, d_model 176, 4 головы, kernel 31, RoPE-внимание. - Двуязычный вывод: кхмерский текст, цифры ០–៩ и 0–9, латиница a–z для code-switching.
- Быстрая: около 172x real time на ноутбучной NVIDIA RTX 500 Ada и 68x на CPU.
- Greedy CTC-декодирование без языковой модели; есть доступ к
log_probs()для своего beam search. - Обучена на 25 339 клипах (56,3 ч) из 18 кхмерских ASR-датасетов.
Пример
from huggingface_hub import hf_hub_download
import sys, os
repo = "phonsobon/khmer-asr-Conformer-CTC-v1"
sys.path.insert(0, os.path.dirname(hf_hub_download(repo, "khmer_asr_conformer.py")))
from khmer_asr_conformer import KhmerASR
asr = KhmerASR.from_pretrained(repo)
print(asr.transcribe("audio.wav"))
Подробнее
Валидационный CER — 0,93%, но это те же источники, что и в обучении. На новых записях ожидайте CER около 20–40%; на 4 незнакомых клипах — 25,1%.Нет пунктуации, пробелы зависят от разметки; возможны не-слова без языковой модели.
Аудио длиннее 30 с режется фиксированными кусками — лучше сначала делить по тишине.










Комментарии