/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
msp_audio · dense
Базовая модель
wav2vec2-large-robust-ft-libri-960h
Библиотека
transformers
Опубликована
18 авг 2026

MSP-ASR

Распознавание речиАудио → текст8 профессий

Дообученная модель Wav2Vec2 Large распознаёт английскую речь в аудио и преобразует её в текст.

15скачиваний за 30 дней1лайквеса обновлены1 сен 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

MSP-ASR — модель распознавания английской речи из проекта Multimodal Speech Perception, разработанная MahmoodAnaam. Это дообученный энкодер Wav2Vec2 Large с CTC-головой, принимающий монофоническое аудио с частотой 16 кГц и преобразующий его в текст. Доступны жадное декодирование и декодирование с дополнительной 3-граммовой языковой моделью.

Модель предназначена для транскрибации английской речи, в том числе в сценариях с несколькими говорящими и шумом. В отчёте указаны WER 6,30% на чистом тесте LRS2 и заметно более высокие ошибки в шумных условиях и на данных AVCocktail. Чекпойнт содержит 402,7 млн параметров, распространяется в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация английской речи из аудиозаписей
  • распознавание речи в монофонических аудиозаписях с частотой 16 кГц
  • расшифровка речи в чистых тестовых записях LRS2
  • распознавание речи при нескольких говорящих или шуме с оценкой качества результата

Ограничения

Качество существенно снижается в шумных условиях и зависит от сегментации: в приведённых оценках WER достигает 46,34% в шумном тесте LRS2 и 74,37–127,36% на вариантах AVCocktail. Модель рассчитана на монофоническое аудио с частотой 16 кГц и распознавание английской речи.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MSP-ASR

MSP-ASR is the audio model in Multimodal Speech Perception (MSP). It fine-tunes a Wav2Vec2 encoder with a CTC head for English speech recognition and supports greedy decoding or the companion 3-gram language model.

PropertyValue
InputMono, 16 kHz audio
ArchitectureWav2Vec2 encoder + CTC head
Base checkpointfacebook/wav2vec2-large-robust-ft-libri-960h
DemoMSP-ASR

MSP-ASR also supplies the audio encoder to MSP-AVSR. There, its representations participate in both directions of the bidirectional cross-attention fusion block; the standalone checkpoint remains audio-only.

Usage

import torch
from transformers import AutoModelForCTC, AutoProcessor

model_id = "MahmoodAnaam/MSP-ASR"
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForCTC.from_pretrained(model_id, trust_remote_code=True).eval()

inputs = processor(audio="sample.wav", return_tensors="pt")
with torch.inference_mode():
    logits = model(**inputs).logits

text = processor.tokenizer.batch_decode(logits.argmax(dim=-1))[0]
print(text)

For beam search, install pyctcdecode and kenlm, then load MahmoodAnaam/MSP-Processor-With-LM and call batch_decode(logits.cpu().numpy()). Pin Hub revisions when loading custom code in controlled environments.

Training

SettingValue
Maximum steps40,000
Learning rate1e-4
Train / eval batch size per device16 / 16
Gradient accumulation2
SchedulerCosine; 1,000 warmup steps
Precisionbfloat16

The selected validation checkpoint recorded loss 0.3481 and WER 20.40%. The recorded stack was Transformers 5.10.2, PyTorch 2.10.0 with ROCm 7.2.4, Datasets 4.0.0, and Tokenizers 0.22.2.

Evaluation

The following tables report MSP-ASR only. Results use MSP-Processor-With-LM; WER is a percentage and lower is better.

LRS2

EvaluationWER
Clean test6.30
Clean + eight noisy conditions, macro average46.34
Interferer-5 dB0 dB5 dB10 dB
190.2242.7647.4022.52
292.9942.8648.9123.09

AVCocktail

SegmentationWER
Active-speaker-detection chunks77.62
Fixed 10-second chunks127.36
Gold chunks74.37

Resources

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
MSPAudioForCTC
Ревизия весов
b9d28fa

0 моделей