/ Модель

Характеристики

Параметры
113 млн
Лицензия
MIT
Архитектура
wav2vec2 · dense
Библиотека
transformers
Опубликована
8 янв 2026

wav2vec2-french-phonemizer-v2

Распознавание речиАудио → текст3 профессии

Модель преобразует французскую речь в последовательность фонем IPA для фонетического анализа и подготовки данных произношения.

9 987скачиваний за 30 дней2лайкавеса обновлены11 мар 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Cnam-LMSSC/wav2vec2-french-phonemizer-v2 — модель Cnam-LMSSC для преобразования французской речи в фонемную транскрипцию. Это дообученная на обучающей и валидационной выборках Common Voice 13 версия facebook/wav2vec2-base-fr-voxpopuli-v2 на базе Wav2Vec2 с CTC-декодированием; в ней 113,3 млн параметров. Модель принимает аудио с частотой дискретизации 16 кГц и выдаёт последовательность слов в международном фонетическом алфавите без пунктуации.

Версия v2 исправляет транскрипцию звонкого губно-нёбного аппроксиманта /ɥ/: вместо ошибочной последовательности /yi/ модель передаёт /ɥ/, что важно для фонетического анализа и подготовки произношения для синтеза речи. В README указаны Phoneme Error Rate 4,75% на французской части Common Voice v13 и 5,97% на французской конфигурации Multilingual LibriSpeech. Модель распространяется по лицензии MIT.

Сценарии применения

  • фонемная транскрипция французской речи в IPA
  • анализ произношения французских слов
  • подготовка фонетических последовательностей для синтеза французской речи

Ограничения

Принимает речь с частотой дискретизации 16 кГц и выдаёт фонемы IPA без пунктуации. В README оценки приведены для французских тестовых наборов Common Voice v13 и Multilingual LibriSpeech.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Why a v2

This version fixes the absence of the voiced labial-palatal approximant ɥ. The original Cnam-LMSSC/wav2vec2-french-phonemizer never transcribes the pronunciation of the voiced labial–palatal approximant with /ɥ/ and instead incorrectly replaces it with the sequence /yi/. This created issues for phonetic accuracy and linguistic analysis. Words like "nuit" or "huit" are pronounced with \ɥ\ and not with \yi\ For Text-to-Speech (TTS) task, substituting \ɥ\ with \yi\ results in unnatural prosody.

Fine-tuned French Voxpopuli v2 wav2vec2-base model for speech-to-phoneme task in French

Fine-tuned facebook/wav2vec2-base-fr-voxpopuli-v2 for French speech-to-phoneme (without language model) using the train and validation splits of Common Voice v13.

Audio samplerate for usage

When using this model, make sure that your speech input is sampled at 16kHz.

Output

As this model is specifically trained for a speech-to-phoneme task, the output is sequence of IPA-encoded words, without punctuation. If you don't read the phonetic alphabet fluently, you can use this excellent IPA reader website to convert the transcript back to audio synthetic speech in order to check the quality of the phonetic transcription.

Training procedure

The model has been finetuned on Commonvoice-v13 (FR) for 14 epochs on a 1xADA_6000 GPU at Cnam/LMSSC using a ddp strategy and gradient-accumulation procedure (256 audios per update, corresponding roughly to 25 minutes of speech per update -> 2k updates per epoch)

  • Learning rate schedule : Double Tri-state schedule

    • Warmup from 1e-5 for 7% of total updates
    • Constant at 1e-4 for 28% of total updates
    • Linear decrease to 1e-6 for 36% of total updates
    • Second warmup boost to 3e-5 for 3% of total updates
    • Constant at 3e-5 for 12% of total updates
    • Linear decrease to 1e-7 for remaining 14% of updates
  • The set of hyperparameters used for training are the same as those detailed in Annex B and Table 6 of wav2vec2 paper.

Usage (using the online Inference API)

Just record your voice on the ⚡ Inference API on this webpage, and then click on "Compute", that's all !

Usage (with HuggingSound library)

The model can be used directly using the HuggingSound library:

import pandas as pd
from huggingsound import SpeechRecognitionModel

model = SpeechRecognitionModel("Cnam-LMSSC/wav2vec2-french-phonemizer-v2")
audio_paths = ["./test_relecture_texte.wav", "./10179_11051_000021.flac"]

# No need for the Audio files to be sampled at 16 kHz here,
# they are automatically resampled by Huggingsound

transcriptions = model.transcribe(audio_paths)

# (Optionnal) Display results in a table :
## transcriptions is list of dicts also containing timestamps and probabilities !

df = pd.DataFrame(transcriptions)
df['Audio file'] = pd.DataFrame(audio_paths)
df.set_index('Audio file', inplace=True)
df[['transcription']]

Output :

Audio filePhonetic transcription (IPA)
./test_relecture_texte.wavʃapitʁ di də abɛse pəti kɔ̃t də ʒyl ləmɛtʁ ɑ̃ʁʒistʁe puʁ libʁivɔksɔʁɡ ibis dɑ̃ la bas kuʁ dœ̃ ʃato sə tʁuva paʁmi tut sɔʁt də volaj œ̃n ibis ʁɔz
./10179_11051_000021.flackɛl dɔmaʒ kə sə nə swa pa dy sykʁ supiʁa se foʁaz ɑ̃ pasɑ̃ sa lɑ̃ɡ syʁ la vitʁ fɛ̃ dy ʃapitʁ kɛ̃z ɑ̃ʁʒistʁe paʁ sonjɛ̃ sɛt ɑ̃ʁʒistʁəmɑ̃ fɛ paʁti dy domɛn pyblik

Inference script (if you do not want to use the huggingsound library) :

import torch
from transformers import AutoModelForCTC, Wav2Vec2Processor
from datasets import load_dataset
import soundfile as sf # Or Librosa if you prefer to ... 

MODEL_ID = "Cnam-LMSSC/wav2vec2-french-phonemizer-v2"

model = AutoModelForCTC.from_pretrained(MODEL_ID)
processor = Wav2Vec2Processor.from_pretrained(MODEL_ID)

audio = sf.read('example.wav')
# Make sure you have a 16 kHz sampled audio file, or resample it !

inputs = processor(np.array(audio[0]),sampling_rate=16_000., return_tensors="pt")

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

predicted_ids = torch.argmax(logits,dim = -1)
transcription = processor.batch_decode(predicted_ids)

print("Phonetic transcription : ", transcription)

Output :

'ʒə syi tʁɛ kɔ̃tɑ̃ də vu pʁezɑ̃te notʁ solysjɔ̃ puʁ fonomize dez odjo fasilmɑ̃ sa fɔ̃ksjɔn kɑ̃ mɛm tʁɛ bjɛ̃'

Test Results:

In the table below, we report the Phoneme Error Rate (PER) of the model on both Common Voice and Multilingual Librispeech (using the French configs for both datasets of course), when finetuned on Common Voice train set only :

ModelTest SetPER
Cnam-LMSSC/wav2vec2-french-phonemizer-v2Common Voice v13 (French)4.75%
Cnam-LMSSC/wav2vec2-french-phonemizer-v2Multilingual Librispeech (French)5.97%

Citation

If you use this finetuned model for any publication, please use this to cite our work :

@misc {lmssc-wav2vec2-base-phonemizer-french-v2_2026,
	author       = { Olivier, Malo },
	title        = { wav2vec2-french-phonemizer-v2 (Revision 8e71385) },
	year         = 2026,
	url          = { https://huggingface.co/Cnam-LMSSC/wav2vec2-french-phonemizer-v2 },
	doi          = { 10.57967/hf/7468 },
	publisher    = { Hugging Face }
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
172b4d8

0 моделей