/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
msp · dense
Базовая модель
MSP-ASR
Библиотека
transformers
Опубликована
18 авг 2026

MSP-AVSR

Распознавание речиАудио → текст3 профессии

MSP-AVSR объединяет аудио и видео говорящего для распознавания английской речи и создания текстовой расшифровки.

16скачиваний 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-AVSR — мультимодальная модель распознавания речи из семейства Multimodal Speech Perception (MSP). Она объединяет аудиопредставления Wav2Vec2 из MSP-ASR и визуальные представления AV-HuBERT из MSP-VSR с помощью двунаправленного перекрёстного внимания и предсказывает английскую расшифровку через CTC. Модель принимает синхронизированные монофоническое аудио с частотой 16 кГц и видео говорящего; при оценке также поддерживается обработка только аудио или только видео через соответствующую предварительно обученную ветвь.

Архитектура использует отдельные аудио- и видеоэнкодеры, проекции в общее пространство размерности 768 и двунаправленное перекрёстное внимание с 12 головами и масками заполнения. Видеопредставления приводятся к частоте аудиокадров, после чего объединённые признаки обрабатываются полносвязным блоком и общей CTC-головой. В опубликованных оценках WER на чистом тесте LRS2 составил 3,93%; результаты на шумных данных и AVCocktail заметно хуже и зависят от сегментации и декодирования.

Модель предназначена для распознавания речи с использованием аудио и видео говорящего, в том числе при акустических помехах. Для декодирования с поиском по 3-граммной языковой модели README указывает отдельный процессор MSP-Processor-With-LM и зависимости pyctcdecode и kenlm. Данные карточки указывают базовые модели MSP-ASR и MSP-VSR и лицензию Apache-2.0.

Сценарии применения

  • расшифровка речи по синхронизированным аудио и видео
  • распознавание речи говорящего на видео
  • распознавание речи при фоновом шуме с использованием визуальных подсказок
  • распознавание речи только по аудио через аудиоветвь
  • распознавание речи только по видео через визуальную ветвь

Ограничения

Аудио и видео должны охватывать один и тот же временной интервал и быть синхронизированы. Качество зависит от предварительной обработки, отслеживания лица, разбиения на фрагменты и настроек декодера; на AVCocktail в опубликованных оценках WER превышал 100% для фиксированных 10-секундных фрагментов.

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

MSP-AVSR

MSP-AVSR is the multimodal model in Multimodal Speech Perception (MSP). It combines Wav2Vec2 audio representations and AV-HuBERT visual representations through bidirectional cross-attention, then predicts English text with CTC.

PropertyValue
InputsSynchronized mono 16 kHz audio and visible-speaker video
Audio / visual encodersMSP-ASR / MSP-VSR
FusionMask-aware, 12-head bidirectional cross-attention
Fusion / feed-forward width768 / 3,072
DemoMSP-AVSR

Architecture

  1. MSP-ASR and MSP-VSR encode audio and mouth-region video independently.
  2. Separate projections and layer normalization map both sequences to a shared 768-dimensional space.
  3. Two cross-attention paths model both directions: audio queries attend to visual keys/values, while visual queries attend to audio keys/values. Each path uses padding masks, a residual connection, and layer normalization.
  4. The visual-query output is upsampled to the audio frame rate, concatenated with the audio-query output, projected, and processed by a 3,072-dimensional GELU feed-forward block.
  5. A shared CTC head predicts the transcript. Training adds auxiliary audio and visual CTC losses to the fused loss with weights 0.5 / 0.5 / 1.0.

In evaluation mode, the checkpoint can also process audio-only or video-only inputs through the corresponding pretrained branch.

Usage

import torch
from transformers import AutoModelForCTC, AutoProcessor

model_id = "MahmoodAnaam/MSP-AVSR"
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.mp4",
    videos="sample.mp4",
    return_tensors="pt",
)
with torch.inference_mode():
    logits = model(**inputs).logits

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

Audio and video must represent the same time interval. For 3-gram beam search, install pyctcdecode and kenlm, then decode with MahmoodAnaam/MSP-Processor-With-LM. Pin Hub revisions when loading custom code in controlled environments.

Training

SettingValue
Maximum steps30,000
Learning rate1e-4
Train / eval batch size per device32 / 32
SchedulerCosine; 1,000 warmup steps
Precisionbfloat16
Audio / visual / fused CTC weights0.5 / 0.5 / 1.0

The selected validation checkpoint recorded loss 1.1193 and WER 17.36%. 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-AVSR only. Results use MSP-Processor-With-LM; WER is a percentage and lower is better.

LRS2

EvaluationWER
Clean test3.93
Clean + eight noisy conditions, macro average22.80
Interferer-5 dB0 dB5 dB10 dB
148.8520.9022.4112.33
240.9219.9122.8613.08

AVCocktail

SegmentationWER
Active-speaker-detection chunks67.73
Fixed 10-second chunks107.46
Gold chunks63.64

AVCocktail values are word-weighted across 51 videos. WER can exceed 100% when insertions are numerous. Scores depend on preprocessing, synchronization, face tracking, dataset revision, checkpoint, segmentation, and decoder settings.

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
MSPForCTC
Ревизия весов
2d1d1cc

0 моделей