/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
transformers
Опубликована
5 авг 2026

MSP-Processor-With-LM

Распознавание речиАудио → текст

Компонент декодирования CTC-логитов MSP с beam search и английской 3-граммной моделью KenLM для распознавания речи.

0скачиваний 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 Processor with KenLM 3-gram — компонент для декодирования CTC-логитов моделей семейства MSP. Он объединяет токенизатор MSP, beam search через pyctcdecode и англоязычную 3-граммную языковую модель KenLM; сам не вычисляет логиты и не является самостоятельной моделью распознавания речи. Компонент совместим с MSP-ASR, MSP-VSR и MSP-AVSR и предназначен для преобразования их выходов в текст, в том числе с помощью аудио- или видеовхода через соответствующую модель семейства.

Языковая модель построена на текстах обучающей и предварительной обучающей выборок MahmoodAnaam/LRS2-Text; в README указано, что тексты validation и test для её обучения не использовались. Репозиторий опубликован MahmoodAnaam и распространяется по лицензии Apache-2.0. Для работы декодера требуется pyctcdecode и совместимые CTC-логиты одной из поддерживаемых моделей MSP.

Сценарии применения

  • декодирование CTC-логитов MSP-ASR в текст
  • улучшение распознавания английской речи с помощью KenLM
  • beam search для выходов MSP-VSR
  • декодирование логитов MSP-AVSR в текст

Ограничения

Компонент не является самостоятельной моделью распознавания и требует CTC-логитов от совместимой модели MSP. Английская языковая модель обучена на текстах train и pretrain датасета LRS2-Text.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MSP Processor with KenLM 3-gram Decoder

MSP-Processor-With-LM adds beam-search decoding to the MSP model family. It combines the MSP tokenizer, pyctcdecode, and an English KenLM 3-gram language model; it does not generate logits and is not a standalone speech-recognition model.

The language model was built exclusively from transcripts in the train and pretrain splits of MahmoodAnaam/LRS2-Text. Validation and test transcripts were not used to build it.

The processor is compatible with CTC logits from:

Usage

Install the decoder dependencies:

python -m pip install pyctcdecode
python -m pip install "https://github.com/kpu/kenlm/archive/master.zip"

Decode existing logits

from transformers import AutoProcessor

lm_processor = AutoProcessor.from_pretrained(
    "MahmoodAnaam/MSP-Processor-With-LM",
    trust_remote_code=True,
)

# logits: NumPy array with shape (batch, time, vocabulary)
result = lm_processor.batch_decode(logits)
print(result.text[0])

End-to-end MSP-AVSR example

import torch
from transformers import AutoModelForCTC, AutoProcessor

device = "cuda" if torch.cuda.is_available() else "cpu"
model_id = "MahmoodAnaam/MSP-AVSR"
model_processor = AutoProcessor.from_pretrained(
    model_id,
    trust_remote_code=True,
)
lm_processor = AutoProcessor.from_pretrained(
    "MahmoodAnaam/MSP-Processor-With-LM",
    trust_remote_code=True,
)
model = AutoModelForCTC.from_pretrained(
    model_id,
    trust_remote_code=True,
).eval().to(device)

inputs = model_processor(
    audio="sample.mp4",
    videos="sample.mp4",
    return_tensors="pt",
).to(device)

# OR
inputs = lm_processor(
    audio="sample.mp4",
    videos="sample.mp4",
    return_tensors="pt",
).to(device) 

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

greedy_text = model_processor.tokenizer.batch_decode(
    logits.argmax(dim=-1)
)[0]
beam_text = lm_processor.batch_decode(
    logits.cpu().detach().numpy()
).text[0]

print("Greedy:", greedy_text)
print("Beam search:", beam_text)

Use the corresponding model processor to prepare audio or video inputs, and use this LM processor to decode the resulting logits. For MSP-ASR or MSP-VSR, change model_id and provide only the supported input modality.

batch_decode supports controls such as beam_width, beam_prune_logp, token_min_logp, hotwords, hotword_weight, alpha, beta, n_best, and output_word_offsets. Tune these values on a validation set for the target domain; increasing language-model weight does not guarantee a lower WER.

Resources

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
3240023

0 моделей