Turkmen MMS ASR
независимый чекпоинт для распознавания туркменской речи
2 мин чтенияобновлено
Модель предназначена для автоматического распознавания туркменской речи (ASR) и перевода аудиозаписей на туркменском языке в текст на латинице. Она основана на архитектуре Meta facebook/mms-1b-all и представляет собой автономное решение с интегрированным адаптером и фиксированным словарём, поэтому не требует загрузки дополнительных языковых модулей. По сравнению с оригинальным адаптером MMS, данный файнтюн демонстрирует значительно меньший уровень ошибок на тестовых датасетах. Релиз будет полезен разработчикам и исследователям, работающим с региональными языками и голосовыми интерфейсами для туркменского языка.
Ключевые особенности
- Автономный дизайн с зафиксированным адаптером и словарем без необходимости переключения языков.
- Снижение частоты ошибок распознавания (strict WER) до 24.58% на тестовом наборе данных.
- Совместимость со стандартными библиотеками Hugging Face Transformers и PyTorch.
- Некоммерческий релиз под лицензией CC BY-NC 4.0.
Что можно сделать
- Распознавать аудиозаписи речи на туркменском языке с помощью скриптов на Python.
- Обрабатывать длинные аудиофайлы с помощью пакетных скриптов в скользящих окнах.
- Интегрировать модель в локальные конвейеры обработки голосовых данных и расшифровки архивов.
Пример
import soundfile as sf
import torch
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
repo = "Pirnazar/mms-1b-turkmen"
device = "cuda" if torch.cuda.is_available() else "cpu"
processor = Wav2Vec2Processor.from_pretrained(repo)
model = Wav2Vec2ForCTC.from_pretrained(repo).to(device).eval()
audio, sr = sf.read("speech.wav", dtype="float32")
inputs = processor(audio, sampling_rate=16000, return_tensors="pt")
inputs = {name: value.to(device) for name, value in inputs.items()}
with torch.inference_mode():
logits = model(**inputs).logits
text = processor.batch_decode(logits.argmax(-1))[0].strip()
print(text)
Подробнее
Бенчмарки: strict WER — 24.58%, strict CER — 4.11%.Параметры: около 965M общих параметров, 2.28M обучаемых параметров адаптера/головы.
Ограничения: только туркменский язык (латиница), отсутствие поддержки перевода и диаризации.










Комментарии