/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Опубликована
12 фев 2026

wav2vec2-xls-r-300m-iqraeval

Распознавание речиАудио → текст3 профессии

Модель распознаёт арабское чтение коранических текстов по фонемам и помогает выявлять ошибки произношения.

424скачиваний за 30 дней3лайкавеса обновлены1 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

Fatimah Emad Eldin разработала эту модель на основе facebook/wav2vec2-xls-r-300m для задачи Iqra’Eval 2026. Это модель распознавания речи на базе Wav2Vec2 с архитектурой CTC, дообученная для фонемной транскрипции чтения коранических текстов на современном стандартном арабском языке и выявления ошибок произношения.

Модель принимает аудио с частотой дискретизации 16 кГц и выдаёт последовательности фонем. Она обучалась на примерно 159 часах арабской речи, включая записи носителей языка с псевдоразметкой и синтетическую речь с намеренно внесёнными заменами, пропусками и вставками фонем. Во время дообучения сверточный экстрактор признаков был заморожен, а слои Transformer обновлялись. Размер модели по метаданным — 402,7 млн параметров.

В слепом тесте IqraEval/QuranMB.v2 README сообщает F1 0,2020, поэтому качество распознавания ошибок на этом тесте ограничено. Модель предназначена для фонемной транскрипции и анализа произношения в указанном сценарии; её пригодность для других языков и видов речи не установлена. Лицензия — Apache-2.0.

Сценарии применения

  • Фонемная транскрипция чтения Корана на современном стандартном арабском языке
  • Выявление замен, пропусков и вставок фонем при чтении
  • Анализ ошибок произношения в записях для оценки чтения
  • Подготовка фонемных предсказаний для формата IqraEval

Ограничения

На слепом тесте IqraEval/QuranMB.v2 указано значение F1 0,2020. Модель адаптирована для чтения коранических текстов на современном стандартном арабском языке; её пригодность для иных языков и речевых сценариев не установлена.

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

Wav2Vec2-XLS-R-300M Fine-tuned for Qur'anic Mispronunciation Detection

This model is a fine-tuned version of facebook/wav2vec2-xls-r-300m specifically adapted for the Iqra'Eval 2026 Shared Task. It is designed to perform phoneme-level Automatic Speech Recognition (ASR) to detect and diagnose mispronunciations in Modern Standard Arabic (MSA) readings of Qur'anic texts.

Model Description

[Image of single-stage fine-tuning pipeline for Wav2Vec2 acoustic models]

A single-stage fine-tuning strategy was utilized to adapt the generalized cross-lingual speech representations to the phonetic distribution of Qur'anic recitation. The model was trained end-to-end using Connectionist Temporal Classification (CTC) loss. The CNN feature extractor was frozen during training to prevent catastrophic forgetting of the pre-trained acoustic representations, allowing only the Transformer layers to be updated.

Training Data

The model was fine-tuned on a combined dataset totaling approximately 159 hours of Arabic speech, sourced directly from the official Iqra'Eval Hugging Face repositories:

  • Native Speech (Pseudo-Labeled): IqraEval/Iqra_train
    • Volume: ~79 hours
    • Description: Recordings from native MSA speakers. This subset is treated as "Golden" data using pseudo-labels, as the speakers are assumed to pronounce the text correctly.
  • Synthetic Mispronunciations: IqraEval/Iqra_TTS
    • Volume: ~80 hours
    • Description: Synthetic speech generated using trained TTS systems where mispronunciations (substitutions, deletions, insertions) were deliberately introduced into the input text to teach the model explicit error patterns.

Data Preprocessing and Phoneme Vocabulary

The model was trained on audio resampled to 16 kHz. Utterances shorter than 0.3 seconds or longer than 15.0 seconds were filtered out during preprocessing to maintain batch stability.

The vocabulary consists of 74 tokens, built upon the 68 MSA phonemes defined by the Nawar Halabi phonetizer (including explicit tokens for gemination, e.g., /bb/, and emphaticness). Special tokens (<pad>, <unk>, |, <ctc>, <s>, </s>) were appended to facilitate CTC decoding.

Training Hyperparameters

Fine-Tuning Configuration:

  • Epochs: 10
  • Learning Rate: 3e-5 (Cosine Scheduler)
  • Warmup Ratio: 0.1
  • Effective Batch Size: 32 (8 per device × 4 gradient accumulation steps)
  • Weight Decay: 0.01
  • SpecAugment: Enabled (mask_time_prob=0.05, mask_time_length=10)
  • Precision: bf16

Usage

from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC
import torchaudio
import torch

processor = Wav2Vec2Processor.from_pretrained("FatimahEmadEldin/wav2vec2-xls-r-300m-iqraeval")
model = Wav2Vec2ForCTC.from_pretrained("FatimahEmadEldin/wav2vec2-xls-r-300m-iqraeval")

# Load and resample audio
wav, sr = torchaudio.load("audio.wav")
if sr != 16000:
    wav = torchaudio.transforms.Resample(orig_freq=sr, new_freq=16000)(wav)

inputs = processor(wav.squeeze(), sampling_rate=16000, return_tensors="pt")

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

pred_ids = torch.argmax(logits, dim=-1)
transcription = processor.batch_decode(pred_ids)[0]
print(transcription)

Blind Test Performance

Blind test dataset: IqraEval/QuranMB.v2
Submission format: CSV with columns ID and Labels (space-separated phoneme predictions)
Leaderboard: IqraEval Leaderboard

F1: 0.2020

citation

@inproceedings{eldin2026zero,
  title={Qari at Iqra'Eval 2026: Zero-Shot HuBERT Inference for Quranic Pronunciation Evaluation},
  author={Eldin, Fatimah Emad},
  booktitle={Proceedings of Interspeech},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
93d7414

0 моделей