/ Модель

Характеристики

Параметры
365 млн
Лицензия
Apache 2.0
Архитектура
t5 · dense
Базовая модель
byt5-small
Библиотека
transformers
Опубликована
2 авг 2026

persian-text-to-ipa-byt5

Генерация текстаТекст → текст

Дообученная ByT5-модель преобразует персидский текст в фонетическую транскрипцию IPA для систем обработки речи и синтеза речи.

754скачиваний за 30 дней2лайкавеса обновлены4 окт 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 «Текст» — 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

KiaBush/persian-text-to-ipa-byt5 — дообученная модель KiaBush для преобразования персидского текста (фарси) в последовательности фонем, записанные Международным фонетическим алфавитом (IPA). Она предназначена для компонента «графема — фонема» в системах обработки речи и конвейерах синтеза речи. Модель построена на архитектуре энкодер-декодер T5ForConditionalGeneration с байтовым токенизатором ByT5; базовая модель — google/byt5-small, размер — 364,6 млн параметров. Для входных фрагментов README рекомендует ограничивать длину 256 токенами; код инференса допускает генерацию до 512 токенов. Модель принимает текст и выдаёт текстовую IPA-транскрипцию.

Персидская орфография часто опускает краткие гласные, поэтому произношение омографов может зависеть от контекста; в частности, не всегда однозначно передаётся произношение эзáфе. Результаты могут быть менее точными для имён, заимствований, сокращений, диалектных написаний, смешения языков и чисел. Пунктуацию и нормализацию текста может потребоваться адаптировать для целевой системы. Публичные метрики оценки не приведены, обучающий набор не опубликован, а модель не создаёт временные метки фонем и не предназначена для принудительного выравнивания. Лицензия — Apache-2.0.

Сценарии применения

  • преобразование персидского текста в фонемы IPA
  • подготовка произношения слов для синтеза персидской речи
  • построение компонента графема-фонема для обработки речи на фарси
  • генерация фонетической транскрипции персидских фраз

Ограничения

Публичные метрики оценки и обучающий набор отсутствуют; качество может снижаться на именах, заимствованиях, сокращениях, диалектных написаниях, смешении языков, числах и контекстно-зависимом произношении. Модель не выполняет принудительное выравнивание и не выдаёт временные метки фонем.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Persian Text to International Phonetic Alphabet (IPA) — ByT5

This is a fine-tuned Transformers-compatible sequence-to-sequence model for converting Persian (Farsi) text into phoneme sequences based on the International Phonetic Alphabet (IPA; in Persian: الفبای آوانگاری بین‌المللی). It uses a ByT5 tokenizer and T5ForConditionalGeneration architecture.

Source code

Inference and metadata-processing code is available on GitHub: KiaBush/persian-text-to-ipa-byt5.

Intended use

The model is intended as a Persian grapheme-to-phoneme component for speech processing and text-to-speech pipelines. Punctuation handling and text normalization may need to be adapted to the downstream system.

Usage

import torch
from transformers import ByT5Tokenizer, T5ForConditionalGeneration

model_id = "KiaBush/persian-text-to-ipa-byt5"
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# The explicit mapping keeps checkpoints saved with older tokenizer configs
# compatible with Transformers versions where extra_special_tokens is a map.
tokenizer = ByT5Tokenizer.from_pretrained(
    model_id,
    extra_special_tokens={},
)
model = T5ForConditionalGeneration.from_pretrained(model_id).to(device)
model.eval()

text = "گل رز واقعا زیباست."
inputs = tokenizer(text, return_tensors="pt").to(device)

with torch.inference_mode():
    output_ids = model.generate(**inputs, max_new_tokens=512)

print(tokenizer.decode(output_ids[0], skip_special_tokens=True))
# ɡole ɾoz vɒːɣeʔæn ziːbɒːst.

For long inputs, split text into chunks no longer than 256 input tokens and preserve punctuation outside the generated phoneme spans.

Examples of inputs and outputs:

One of the main challenges in Persian pronunciation is that written text often does not uniquely determine pronunciation. Short vowels are generally omitted in Persian orthography, and many words are heteronyms: they have exactly the same written form but different pronunciations depending on their meaning and context.

For example, the Persian word «گل» can mean “flower,” pronounced /ɡol/, or “mud,” pronounced /ɡel/. Correct pronunciation therefore requires more than simple character-to-character transliteration; it requires contextual and semantic disambiguation.

This model was specifically designed to produce IPA representations while taking such contextual ambiguities into account.

Persian inputIPA output
گل رز واقعا زیباست.ɡole ɾoz vɒːɣeʔæn ziːbɒːst.
ساعت نه و سی و دو دقیقه است.sɒːʔæt noh væ siː ʔo do dæɣiːɣe ʔæst.
امروز به او، نه خواهم گفت.ʔemɾuːz be ʔuː, næ xɒːhæm ɡoft.
مرسی آقای رونالدو، بابت تمام سالهایی که از حضور شما لذت بردیم؛ و سرانجام اشکهاش جاری خواهند شد.mersi: ʔɒːɣɒːje ɾonɒːldo, bɒːbæte tæmɒːme sɒːlhɒːjiː ke ʔæz hozuːɾe ʃomɒː lezzæt boɾdiːm; væ sæɾɒːndʒɒːm, ʔæʃkhɒːʃ: dʒɒːɾiː xɒːhænd ʃod.

Model details

  • Base model: google/byt5-small
  • Architecture: encoder-decoder T5 (T5ForConditionalGeneration)
  • Tokenizer: ByT5Tokenizer
  • Source language: Persian (fa)
  • Output: phoneme text based on the International Phonetic Alphabet (IPA)
  • Maximum input length used by the accompanying inference code: 256 tokens
  • Maximum generated length used by the accompanying inference code: 512 tokens

Limitations

  • No public benchmark results are included in this release.
  • Accuracy may vary for names, loanwords, abbreviations, dialectal spellings, code-switching, numbers, and text outside the training distribution.
  • Persian pronunciation can depend on context and unwritten ezafe; outputs should be reviewed for high-stakes or production linguistic applications.
  • This model should not be treated as a forced aligner and does not produce phoneme-level timestamps.

Training data

The fine-tuning dataset is not included in this repository and cannot be redistributed because it does not have official permission for public release. Detailed dataset provenance, preprocessing, and split definitions are not published. Users should take this into account when assessing suitability, bias, licensing, and expected generalization.

Evaluation

No official evaluation results or public benchmark metrics are included in this release.

License

The model artifacts in this repository are released under the Apache License 2.0. The fine-tuning dataset is not distributed under this license and is not included in the repository.

Authors and contributors

  • Ali Akbar Kiaei — research, model training, engineering, and release
  • Mahnaz Bush — data preparation, model training, evaluation, research, and documentation

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
T5ForConditionalGeneration
Ревизия весов
fb8ab8b

0 моделей