Распознавание речи

Ӧньӧ Лав — Wed, 21 Oct 2026 16:51:06 GMT

Доступные предобученные модели

← Предыдущая версия		Версия от 19:51, 21 октября 2026
(не показаны 33 промежуточные версии этого же участника)
Строка 1:		Строка 1:

			==Результаты==

			===Яндекс===

			*Распознавание и синтез речи на региональных языках РФ в сревисах Яндекса, готовы:
			#татарский (2 июля 2024 года)
			#чувашский (18 декабря 2024 года)
			#башкирский (24 февраля 2025 года)
			#удмуртский (8 сентября 2025 года)
			#марийский (1 ноября 2025 года)
			#якутский (8 июля 2026 года)
			#кабардино-черкесский (22 сентября 2026 года)

			===Татарстан===
			• [https://speech.tatar/ Распознавание и синтез татарской речи] (АН РТ, Институт прикладной семиотики). На базе речевого корпуса татарского языка (200 часов аннотированной речи).

			==Процесс сбора==

			===Common Voice===
			https://commonvoice.mozilla.org

			{\| border="1" cellpaddіng="4" cellspacіng="0" style="border:1px solіd #aaa; border-collapse:collapse"
			!Язык
			!Всего записей
			!Длительность </br> всех записей
			!Проверенная </br> речь
			!Участники
			\|-
			\|Луговомарийский
			\|234 770
			\|301,42 ч
			\|280,85 ч
			\|500
			\|-
			\|Кабардинский
			\|175 830
			\|305,09 ч
			\|276,38 ч
			\|385
			\|-
			\|Башкирский
			\|218 518
			\|268,71 ч
			\|258,81 ч
			\|930
			\|-
			\|Абхазский
			\|158 625
			\|242,64 ч
			\|207,84 ч
			\|1 303
			\|-
			\|Татарский
			\|31 364
			\|33,44 ч
			\|32,48 ч
			\|297
			\|-
			\|Чувашский
			\|20 456
			\|28,64 ч
			\|24,52 ч
			\|122
			\|-
			\|Саха (якутский)
			\|13 411
			\|23,58 ч
			\|16,34 ч
			\|256
			\|-
			\|Осетинский
			\|966
			\|1,48 ч
			\|1,41 ч
			\|39
			\|}

			===Боты на сайтах===

			* [https://voice.nlrs.ru Голос.якт] - краудсорсинговый проект на сайте Национальной библиотеки Республики Саха (якутский и эвенкийский).

			===Боты ВКонтакте===

			* [https://vk.ru/komi_voice_bot Коми сёрни чукӧртысь бот] - бот по сбору коми речи ВКонтакте (FU-Lab) - 1,51 час.

			===Боты в Telegram:===
			*[https://t.me/TatarVoiceBot Татар тавышы ]
			*[https://t.me/TatarVoiceDataBot Татар тавышы] Бот для сбора голосовых сообщений на татарском языке (ТР ФА Гамәли семиотика институты)
			*[https://t.me/mari_stt_bot Марийский голос» / Бот Mari-Lab] - ранний вариант бота для сбора марийской речи.
			*[https://t.me/mari_asr_bot Mari Speech-to-text bot] (распознает марийскую речь из аудиосообщения или аудиофайла).
			*[https://t.me/nlrs_stt_bot САҤА-СУРУК/SPEECH TO TEXT (якутский)]
			*[https://t.me/cviron Ирон Common Voice]
			*Валидационные боты корпуса «Bashkorttele»

			==Технология сбора==
	* [https://github.com/kod-odin/lang-tasks/wiki/7.-%D0%A0%D0%B0%D1%81%D0%BF%D0%BE%D0%B7%D0%BD%D0%B0%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5-%D1%80%D0%B5%D1%87%D0%B8 Распознавание речи] - лайфхак от kod-odin		* [https://github.com/kod-odin/lang-tasks/wiki/7.-%D0%A0%D0%B0%D1%81%D0%BF%D0%BE%D0%B7%D0%BD%D0%B0%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5-%D1%80%D0%B5%D1%87%D0%B8 Распознавание речи] - лайфхак от kod-odin


			== Доступные предобученные модели==

			Для локального развертывания распознавания речи (STT) или дообучения на собственных данных используются базовые архитектуры (в основном OpenAI Whisper и Meta Wav2Vec 2.0), дообученные на региональных корпусах:

			*Татарский язык:
			**[https://huggingface.co/ifs/whisper-large-v3-tt-cv27-run2 Модель распознавания татарской речи. Модель полностью дообучена (Full Fine-Tuning) на свежем корпусе Common Voice 27.0. Она выдает текст в кириллице с учетом регистра и пунктуации, показывая рекордно низкий уровень ошибок (WER ~18.2%, CER ~4.3%)]
			**[https://huggingface.co/yasalma/whisper-finetuned-tatartts-asr Альтернативная акустическая модель STT, обученная на базе датасета TatarTTS.]
			*Башкирский язык:
			**[https://huggingface.co/BashkirNLPWorld Профиль организации BashkirNLP на Hugging Face — центральный хаб разработки ИИ-технологий для башкирского языка. Здесь команда выкладывает свои наработки, включая языковые модели (BashkirGPT), инструменты разметки и бенчмарки]
			**[https://huggingface.co/AigizK/bashkir-whisper-small Специализированная модель для распознавания башкирской речи, обученная независимым исследователем Айгизом Кунафиным на данных краудсорсинга.]
			*Марийский язык (луговомарийский):
			**[https://huggingface.co/lifeway/whisper-small-mhr-pre/tree/main/runs Чекпоинт, созданный в рамках экспериментов по дообучению Whisper на марийском (mhr) субкорпусе. Этот весовой файл можно использовать как базу для кастомного инференса.]
			*Многоязычные
			**https://huggingface.co/facebook/wav2vec2-large-xlsr-53 базовая XLSR-модель от Meta, обученная на 53 языках мира.]

			== Технические стандарты для ИИ-корпусов==

			Чтобы собранные через ботов аудиозаписи можно было использовать для обучения нейросетей, рекомендуется придерживаться следующих параметров:

			Требования к аудиофайлам
			*Формат: Несжатый `WAV (PCM)` или конвертация из Telegram `.ogg` (Opus) без потери частоты.
			*Частота дискретизации: Минимум `16 000 Гц` (16 kHz). Для задач синтеза (TTS) — `44 100 Гц`.
			*Разрядность: `16-bit`, канал `моно`.
			Длительность фрагмента:Оптимально от 3 до 10 секунд (одно предложение). Длинные записи требуют предварительной сегментации.

			==Инструменты автоматизации==
			*Montreal Forced Aligner (MFA): Рекомендуемый инструмент для автоматического посекундного выравнивания (alignment) текста и звука на основе акустических моделей.
			* Нейросетевая очистка звука: Использование библиотек вроде Demucs или WebRTC VAD для фильтрации тишины и удаления фонового шума из краудсорсинговых записей.

Wiki FU-Lab - Свежие правки [ru]

Распознавание речи