К содержимому
Аудио

Amharic-ASR-v2

вторая версия модели автоматического распознавания амхарской речи

2 мин чтения

Модель создана для реальных условий и телефонной связи, улучшая предыдущую версию за счет дообучения на расширенном наборе данных (около 1,188 часов аудио) с сильной аугментацией под телеком-каналы. Архитектура построена на базе энкодера w2v-bert-2.0 (610 миллионов параметров) в сочетании с языковой моделью (KenLM 4-граммов) для декодирования методом лучевого поиска (beam search). Разработка помогает точнее расшифровывать телефонные звонки, зашумленные записи и диалекты амхарского языка, превосходя первую версию на большинстве тестовых наборов данных.

Ключевые особенности

  • Средний показатель ошибки распознавания (WER) снижен до 27.15% благодаря новой акустической модели и языковому модулю.
  • Улучшено качество транскрипции в суровых условиях, на узкополосной связи 2G и при наличии фонового шума.
  • Обучена на датасете из более чем 200 тысяч реплик, охватывающем различные диалекты амхарского языка.
  • Поддерживает гибкую настройку параметров декодирования для баланса между точностью и скоростью работы.

Что можно сделать

  • Интегрировать модель в приложения для автоматической расшифровки телефонных разговоров и звонков на амхарском языке.
  • Обрабатывать длинные аудиофайлы с помощью пакетного пайплайна в библиотеке transformers.
  • Распознавать аудиозаписи с фоновыми шумами и в условиях низкой громкости микрофона.

Пример

from transformers import pipeline

asr = pipeline("automatic-speech-recognition",
               model="SaarAI/Amharic-ASR-v2",
               device=0)
print(asr("audio.wav")["text"])                                       # uses the LM
print(asr("call.wav", chunk_length_s=20, stride_length_s=4)["text"])  # long audio
ПодробнееБенчмарки: средний WER 27.15% на 9 тестовых наборах (улучшение с 28.19% у v1).
Требования: около 0.61 млрд параметров акустической модели плюс 613 МБ для языковой модели KenLM.
Ограничения: выдает текст в нижнем регистре без знаков препинания; числа записываются амхарскими словами.
Обсудить Telegram 0 3

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 2.3 GB · готовые файлы3.0 GB
  • BF16веса 1.1 GB1.7 GB
  • FP8 / INT8рекомендуемвеса 0.6 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.

    # SaarAI/Amharic-ASR-v2
    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 SaarAI/Amharic-ASR-v2 --local-dir ~/models/Amharic-ASR-v2
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Amharic-ASR-v2
  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

SaarAI/Amharic-ASR-v1
  1. w2v-bert-2.0основа семьи
  2. Ethio-ASR-amharic
  3. Amharic-ASR-v1
  4. Amharic-ASR-v2

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

SaarAI/Amharic-ASR-v2
Автор
SaarAI
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

30

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Аудио

Haru-4B

Haru-4B