/ Модель

Характеристики

Лицензия
AGPL 3.0
Базовая модель
wav2vec2-xlsr-53-espeak-cv-ft
Опубликована
3 июн 2025

xlsr-english-01

Распознавание речиАудио → текст3 профессии

Модель Koel Labs преобразует английскую речь, включая речь с акцентом или нарушениями произношения, в последовательности фонетических символов IPA для анализа и обратной связи.

40 755скачиваний за 30 дней25лайковвеса обновлены16 июн 2026

Бенчмарки

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

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

Koel Labs XLSR English 01 — модель распознавания фонем английской речи, разработанная Koel Labs для анализа произношения с акцентом и нарушениями речи. Она преобразует аудиозапись в последовательность из 79 символов Международного фонетического алфавита и предназначена для систем обратной связи по произношению и лингвистического анализа.

Модель дообучена на основе facebook/wav2vec2-xlsr-53-espeak-cv-ft. При обучении использованы около 41 часа речи из TIMIT, Buckeye, L2-ARCTIC, EpaDB, Speech Ocean, DoReCo и PSST; оценка проводилась, в частности, на ISLE Corpus и тестовых наборах этих корпусов. В README указаны результаты около 19% PER и 3% FER после нормализации по родному акценту и нарушениям речи; меньшие значения лучше.

Модель рассчитана на английскую речь и показывает обобщение на незнакомые акценты, включая немецкий и итальянский акценты в ISLE Corpus. Эти результаты не гарантируют качество на любых типах речи или условиях записи. Лицензия репозитория — AGPL-3.0.

Сценарии применения

  • оценка английского произношения в приложении для изучения языка
  • выявление фонемных ошибок в речи учащихся
  • анализ английской речи с акцентом
  • фонетическая транскрипция речи для лингвистических исследований

Ограничения

Модель предназначена для английской речи; результаты на акцентах, представленных в тестировании, не гарантируют такого же качества на других акцентах и условиях записи. Значения PER и FER зависят от набора данных и нормализации.

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

Koel Labs XLSR English 01

arXiv

The goal of this phoneme transcription model is to robustly model accented and impaired English pronunciation for use in pronunciation feedback systems and linguistic analysis.

We predict sequences of phonemes describing the sounds of speech in an audio clip using a vocabulary of 79 symbols from the International Phonetic Alphabet.

We train on roughly 41 hours of speech from TIMIT, Buckeye, L2-ARCTIC, EpaDB, Speech Ocean, DoReCo, and PSST.

We then evaluate on 15 hours of speech from the ISLE Corpus and the test sets from TIMIT, EpaDB, PSST, and Speech Ocean.

Normalizing scores by native accent and speech impairment, we achieve roughly 19% PER and 3% FER (lower is better):

image/png

Scores by Dataset

We significantly improve over our previous model (Koel Labs B0) even on TIMIT which it was finetuned on:

image/png

image/png

We also perform well on the ISLE Corpus which contains accents not seen during training (German and Italian).

Method

We employ a number of strategies that enables us to generalize well to unseen speakers and dialects. Most notable are the following:

  1. Vocabulary refinement: consolidating notation inconsistencies across dataset conventions and fixing misparsed tokens in pretrained checkpoints.
  2. Curriculum learning: combining XLS-R self-supervised learning, multilingual ASR pretraining, G2P finetuning, and high quality human annotated data.

image/png

Usage

First pip install transformers, then run the following python code:

from transformers import pipeline

model = pipeline(
  "automatic-speech-recognition",
  model="KoelLabs/xlsr-english-01",
  device="cpu",
)
print("Transcription:", model("path to your audio file").get("text", ""))

To get timestamps for each phoneme, pip install soundfile librosa and run the following code instead:

import torch
import soundfile as sf
from transformers import AutoProcessor, AutoModelForCTC

device = (
  "cuda"
  if torch.cuda.is_available()
  else "mps" if torch.backends.mps.is_available() else "cpu"
)
model_id = "KoelLabs/xlsr-english-01"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForCTC.from_pretrained(model_id).to(device)

array, sample_rate = sf.read(filename)
array = librosa.resample(array, orig_sr=sample_rate, target_sr=processor.feature_extractor.sampling_rate)
batch = [array]

input_values = (
  processor(
    batch,
    sampling_rate=processor.feature_extractor.sampling_rate,
    return_tensors="pt",
    padding=True,
  )
  .input_values.type(torch.float32)
  .to(model.device)
)
with torch.no_grad():
  logits = model(input_values).logits
predicted_ids_batch = torch.argmax(logits, dim=-1)
transcription_batch = [processor.decode(ids) for ids in predicted_ids_batch]

# get the start and end timestamp for each phoneme
phonemes_with_time_batch = []
for predicted_ids in predicted_ids_batch:
  predicted_ids = predicted_ids.tolist()
  duration_sec = input_values.shape[1] / processor.feature_extractor.sampling_rate

  ids_w_time = [
      (i / len(predicted_ids) * duration_sec, _id)
      for i, _id in enumerate(predicted_ids)
  ]

  current_phoneme_id = processor.tokenizer.pad_token_id
  current_start_time = 0
  phonemes_with_time = []
  for time, _id in ids_w_time:
    if current_phoneme_id != _id:
      if current_phoneme_id != processor.tokenizer.pad_token_id:
        phonemes_with_time.append(
          (processor.decode(current_phoneme_id), current_start_time, time)
        )
      current_start_time = time
      current_phoneme_id = _id

  phonemes_with_time_batch.append(phonemes_with_time)

print(transcription_batch)
print(phonemes_with_time_batch)

Citation

@inproceedings{metzger2026scaling,
  title={Scaling Human and G2P Supervision for Robust Phonetic Transcription},
  author={Metzger, Alexander and Srivastava, Aruna and Mukhamedvaleev, Ruslan},
  booktitle={Proceedings of Interspeech},
  year={2026},
  eprint={2606.16019},
  archivePrefix={arXiv},
  primaryClass={cs.CL}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
a7677f0

0 моделей