OmniASR LLM 1B v2 — Fongbe, tokenizer Fon
Publication des poids en cours. Les modèles et leurs évaluations sont achevés et vérifiés. Les poids complets sont encore en transfert ; les commandes d’inférence ci-dessous seront utilisables après publication vérifiée de asr-bundle.tar et de son SHA.
Modèle ASR complet affiné pour transcrire le fongbe à partir de la parole. Base : omniASR_LLM_1B_v2 ; tokenizer : Fon v0.4.1. Le bundle préparé contient les poids complets sélectionnés, leur configuration, l’espace de sortie, les artefacts du tokenizer et le runtime autonome.
Entraînement et sélection
Arrêt anticipé sur la validation après 8 000 updates, au septième epoch. Plafond : 54 016 updates et 20 epochs ; horizon calculé sur ce train : 23 607 updates. Le checkpoint retenu est celui du step 4 721, choisi sur le CER exact du dev (WER en cas d’égalité).
Données et préparation
Split privé JaimeMaLangue/fon-meilleur-asr:split-v2.1, révision e105be46cca8784e3b89142b09fae555d905e5e8. Train : 50 323 énoncés, 106,0355 heures réellement décodées, 612 personnes. Dev complet : 4 248 énoncés, 9,4140 heures, 38 personnes. Uniquement des lignes COMPLETED ; personnes séparées entre train et dev. Audio brut : JMLdata/fon-dataset-raw, révision 5be1d5a0ddb68c676405ff49e8e0fa7a10c449d4. NPY float16 mono 16 kHz du préparateur officiel, puis lecture en float32 ; textes NFC avec tons conservés.
L’audit a relevé 3 741 écarts de durée dans le train et 336 dans le dev, ainsi que quatre répétitions audio dans le train et une dans le dev, toutes intra-split. Certaines transcriptions COMPLETED de ces répétitions diffèrent légèrement. Les lignes officielles ont été conservées ; les durées décodées servent au packing. Aucune répétition audio entre train et dev n’a été trouvée. Il ne s’agit pas d’une validation linguistique indépendante.
Validation du checkpoint retenu
Ces mesures concernent exclusivement le dev complet utilisé pour la sélection ; ce ne sont pas les scores du test final.
| Mesure |
CER |
WER |
| NFC exact avec tons |
9.39 % |
24.22 % |
| Normalisée |
7.52 % |
19.06 % |
Normalisation : minuscules, suppression de toutes les marques combinantes, espaces uniformisés ; ponctuation conservée. Les métriques acoustiques ASR sont distinctes du benchmark textuel encode/decode du tokenizer. Aucune supériorité ASR universelle n’est déduite.
Test final et limites
Le test final Omni comprend 6 382 énoncés et 60 personnes du split-v2.1, soit 13,9159 heures décodées. Les trois sélections ont été figées sur dev avant son téléchargement et son ouverture. Tous les énoncés ont été évalués, sans nouveau réglage après consultation du test.
| Mesure finale |
CER |
WER |
IC 95 % CER |
IC 95 % WER |
| NFC exact avec tons |
8.42 % |
22.44 % |
7.42–9.57 % |
20.68–24.42 % |
| Normalisée |
6.45 % |
16.83 % |
5.50–7.54 % |
15.27–18.63 % |
Les intervalles rééchantillonnent les personnes entières, avec 1 000 tirages et un intervalle percentile à 95 %. Une seule graine d’entraînement a été utilisée : ces intervalles ne mesurent pas la variance entre graines. Aucun énoncé n’a été écarté ; zéro sortie vide et zéro sortie UTF-8 invalide. Zéro sortie tronquée.
Les fichiers publics du benchmark et les histogrammes CER/WER se trouvent dans benchmarks/final-tests/. Ils ne contiennent ni audio, ni transcription, ni prédiction privée.
Utilisation autonome
Télécharger asr-bundle.tar et asr-bundle.tar.sha256 depuis ce dépôt, vérifier le SHA, puis extraire l’archive. Dans le dossier extrait, suivre le README et requirements-inference.txt, qui précisent les versions Python, Torch et les dépendances natives nécessaires. Le runtime utilise CUDA BF16 pour reproduire le mode de validation. WAV/FLAC : mono 16 kHz ; contexte maximal de 35 secondes.
sha256sum -c asr-bundle.tar.sha256
tar -xf asr-bundle.tar
cd omni-1b-fon/runtime
python -B -m experiments.v07.deliver --verify-only ..
python -B -m experiments.v07.infer --model ../model audio.wav
L’option -B conserve le bundle sans caches Python supplémentaires. Le MANIFEST de l’archive couvre les fichiers du bundle. Les inférences autonomes source/bundle sur validation sont vérifiées avant livraison. L’archive ne contient ni corpus, ni transcription d’évaluation, ni prédiction privée, ni état d’optimiseur, ni identifiant secret.
Provenance et licence
Poids sélectionnés : SHA-256 72bd9b9f0f3889d523a73e8f2d55703a7d055808ddcf41767682a411df139878.
Licence des poids : apache-2.0. Les sources et dépendances natives conservent leurs licences fournies dans le bundle. Le dépôt du tokenizer reste privé ; seuls les artefacts nécessaires à l’inférence du modèle sont inclus dans cette livraison autorisée.
