Speech and OCR
Collection
Audio data, ASR models and OCR tools for speech and document pipelines. Аудиоданные, ASR-модели и OCR-инструменты для речи и документов. • 6 items • Updated
You need to agree to share your contact information to access this model
This repository is publicly accessible, but you have to accept the conditions to access its files and content.
Бұл репозиторийге қолжетімділік өтінім бойынша беріледі. Өзіңіз туралы және деректерді қалай қолданатыңыз туралы жазыңыз — өтінімді TilQazyna командасы қарайды. · Доступ к репозиторию выдаётся по заявке. Расскажите о себе и о том, как собираетесь использовать данные — заявку рассматривает команда TilQazyna. · Access to this repository is granted on request. Tell us who you are and how you plan to use the material; the TilQazyna team reviews each application.
Log in or Sign Up to review the conditions and access this model content.
stt_kk_ru_fastconformer_ctc_e2e
Қазақша және орысша сөзді тануға арналған Core ML моделі · Модель Core ML для распознавания казахской и русской речи · Core ML model for Kazakh and Russian speech recognition
Қазақша
stt_kk_ru_fastconformer_ctc_e2e — қазақша және орысша сөзді тануға арналған FastConformer CTC моделі, Core ML пакетінде жарияланған. Репозиторий көлемі — 224.5 МБ; модель пакетімен бірге сөздік пен Core ML метадеректері берілген.
Құрамы
| Файл | Қызметі |
|---|---|
stt_kk_ru_fastconformer_ctc_e2e.mlpackage |
Core ML модель пакеті |
vocab.txt |
CTC шығыс белгілерінің сөздігі |
coreml_meta.json |
Core ML артефактісінің метадеректері |
Репозиторийде 6 файл бар. Hugging Face Transformers конфигурациясы жоқ; негізгі іске қосылатын артефакт — .mlpackage файлы. Сөздік модель шығысын мәтіндік белгілермен байланыстыруға қажет.
Жүктеу және тексеру
Келесі код модель пакетін Hugging Face-тен жүктеп, Core ML арқылы ашады және оның кіріс-шығыс сипаттамасын көрсетеді.
import coremltools as ct
from huggingface_hub import snapshot_download
from pathlib import Path
root = snapshot_download(
repo_id="TilQazyna/stt_kk_ru_fastconformer_ctc_e2e",
allow_patterns=["stt_kk_ru_fastconformer_ctc_e2e.mlpackage/**"],
)
path = Path(root) / "stt_kk_ru_fastconformer_ctc_e2e.mlpackage"
model = ct.models.MLModel(str(path))
print(model.get_spec().description)
Нақты аудионы өңдейтін қолданба кіріс атаулары мен пішіндерін осы сипаттамадан оқып, CTC нәтижесін vocab.txt арқылы мәтінге айналдырады.
Қолжетімділік
Карточка мен файлдар тізімі жалпыға көрінеді. Модель пакетін жүктеу үшін «Request access» батырмасы арқылы өтінім қажет; оны TilQazyna командасы мақұлдайды.
Байланысты репозиторийлер
Аудио деректер Til-Audio репозиторийінде жарияланған. Whisper негізіндегі балама код пен тәжірибелер kazakh-asr-whisper жинағында бар.
Русский
stt_kk_ru_fastconformer_ctc_e2e — модель FastConformer CTC для распознавания казахской и русской речи, опубликованная как пакет Core ML. Репозиторий занимает 224.5 МБ; рядом с моделью лежат словарь и метаданные Core ML.
Что внутри
| Файл | Назначение |
|---|---|
stt_kk_ru_fastconformer_ctc_e2e.mlpackage |
пакет модели Core ML |
vocab.txt |
словарь выходных символов CTC |
coreml_meta.json |
метаданные артефакта Core ML |
В репозитории 6 файлов. Конфигурации Hugging Face Transformers нет; исполняемый артефакт хранится в файле .mlpackage.
Как загрузить и проверить
Код ниже скачивает пакет модели с Hugging Face, открывает его средствами Core ML и печатает описание входов и выходов.
import coremltools as ct
from huggingface_hub import snapshot_download
from pathlib import Path
root = snapshot_download(
repo_id="TilQazyna/stt_kk_ru_fastconformer_ctc_e2e",
allow_patterns=["stt_kk_ru_fastconformer_ctc_e2e.mlpackage/**"],
)
path = Path(root) / "stt_kk_ru_fastconformer_ctc_e2e.mlpackage"
model = ct.models.MLModel(str(path))
print(model.get_spec().description)
Приложение для обработки аудио может взять имена и формы входов из этого описания, а затем декодировать выход CTC по vocab.txt.
Доступ
Карточка и перечень файлов видны всем. Пакет модели скачивается после заявки через «Request access» и одобрения со стороны команды TilQazyna.
Связанные репозитории
Аудиоданные опубликованы в Til-Audio. Альтернативный код и эксперименты на основе Whisper находятся в kazakh-asr-whisper.
English
stt_kk_ru_fastconformer_ctc_e2e is a FastConformer CTC model for Kazakh and Russian speech recognition, distributed as a Core ML package. The repository occupies 224.5 MB and places the vocabulary and Core ML metadata alongside the model artifact.
Contents
| File | Purpose |
|---|---|
stt_kk_ru_fastconformer_ctc_e2e.mlpackage |
Core ML model package |
vocab.txt |
vocabulary for CTC output symbols |
coreml_meta.json |
metadata for the Core ML artifact |
The repository contains 6 files. It does not provide a Hugging Face Transformers configuration; the runnable artifact is the .mlpackage file.
Downloading and inspecting
The following code downloads the package from Hugging Face, opens it with Core ML, and prints its declared input and output description.
import coremltools as ct
from huggingface_hub import snapshot_download
from pathlib import Path
root = snapshot_download(
repo_id="TilQazyna/stt_kk_ru_fastconformer_ctc_e2e",
allow_patterns=["stt_kk_ru_fastconformer_ctc_e2e.mlpackage/**"],
)
path = Path(root) / "stt_kk_ru_fastconformer_ctc_e2e.mlpackage"
model = ct.models.MLModel(str(path))
print(model.get_spec().description)
An audio application can read the input names and shapes from that description, then decode the CTC output with vocab.txt.
Access
The card and file listing remain visible to everyone. Downloading the model package requires an application through “Request access” and approval from the TilQazyna team.
Related repositories
Audio data is published in Til-Audio. The kazakh-asr-whisper repository provides an alternative Whisper-based codebase and experiment material.
Лицензия · License: не указана / not specified · TilQazyna
- Downloads last month
- -
Inference Providers NEW
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support