---
language: ar
tags:
- audio
- automatic-speech-recognition
- quran
- wav2vec2
- Quran-Ayah-Corpus
license: apache-2.0
model-index:
- name: Wav2Vec2 Large XLSR 53 Arabic Quran
  results: []
---

# Wav2Vec2 Large XLSR 53 Arabic Quran (Fine-Tuned)

Ce modèle est une version fine-tunée de [jonatasgrosman/wav2vec2-large-xlsr-53-arabic](https://huggingface.co/jonatasgrosman/wav2vec2-large-xlsr-53-arabic) 
sur le dataset [rabah2026/Quran-Ayah-Corpus](https://huggingface.co/datasets/rabah2026/Quran-Ayah-Corpus),

Il est spécialisé pour la reconnaissance vocale du Coran (Tajweed & Murattal) et supporte l'écriture Uthmani (incluant les caractères spéciaux comme `ٱ` et `ٰ`).


## Utilisation

```python
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import torch
import librosa

model_id = "rabah2026/wav2vec2-large-xlsr-53-arabic-quran-v_final"

processor = Wav2Vec2Processor.from_pretrained(model_id)
model = Wav2Vec2ForCTC.from_pretrained(model_id)

# Chargement audio (16kHz obligatoire)
audio, sr = librosa.load("verset.mp3", sr=16000)

inputs = processor(audio, sampling_rate=16000, return_tensors="pt", padding=True)

with torch.no_grad():
    logits = model(inputs.input_values).logits

predicted_ids = torch.argmax(logits, dim=-1)
transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)[0]

print(transcription)
```

## Performance
- **WER (Word Error Rate)** : ~4% sur 10000 echantillons des réciteurs connus et ~6% sur les reciteurs non connus.
- **Segmentation** : Précision alignée pour le découpage verset par verset peut depasser 99%, tous depands de votre script de segmentation