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
Подробнее
Бенчмарки: 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.










Комментарии