/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
msp_visual · dense
Библиотека
transformers
Опубликована
18 авг 2026

MSP-VSR

Распознавание речиАудио → текст3 профессии

MSP-VSR распознаёт английскую речь по беззвучному видео говорящего, используя визуальный энкодер AV-HuBERT и CTC-голову.

67скачиваний 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-VSR — модель распознавания речи по видео лица говорящего, разработанная в рамках проекта Multimodal Speech Perception. Она использует визуальный энкодер AV-HuBERT и CTC-голову, чтобы транскрибировать английскую речь по беззвучному видео области рта. Процессор преобразует кадры в оттенки серого, нормализует их, изменяет размер до 96 пикселей и применяет обрезку до 88 пикселей.

Модель предназначена для чтения по губам, в том числе когда звуковая дорожка отсутствует или её нельзя использовать. В README приведены результаты на LRS2: WER 27,37% на чистом тесте; на AVCocktail WER зависит от сегментации и составляет от 58,06% до 74,77%. Для результатов использовался процессор с языковой моделью. Модель также предоставляет визуальный энкодер для MSP-AVSR.

Это дообучение чекпойнта MahmoodAnaam/avhubert_encoder_large_noise_pt_noise_ft_433h. Модель доступна по лицензии Apache-2.0. Для загрузки в Transformers в README указан trust_remote_code=True.

Сценарии применения

  • чтение по губам на беззвучном видео
  • транскрибация речи по видеозаписи лица говорящего
  • распознавание речи, когда звуковая дорожка недоступна
  • сравнение качества визуального распознавания речи на LRS2 и AVCocktail

Ограничения

Модель предназначена для английской речи и требует видео с видимой областью рта. В приведённых оценках WER заметно зависит от датасета и сегментации; для результатов использовался процессор с языковой моделью.

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-VSR

MSP-VSR is the visual speech-recognition model in Multimodal Speech Perception (MSP). It uses an AV-HuBERT encoder and a CTC head to transcribe English speech from silent mouth-region video.

PropertyValue
InputVisible-speaker video
ArchitectureAV-HuBERT visual encoder + CTC head
Base checkpointMahmoodAnaam/avhubert_encoder_large_noise_pt_noise_ft_433h
DemoMSP-VSR

The processor converts frames to grayscale, rescales and normalizes them, resizes to 96 pixels, and applies an 88-pixel crop. MSP-VSR also supplies the visual encoder to MSP-AVSR, where its representations participate in both directions of the bidirectional cross-attention fusion block.

Usage

import torch
from transformers import AutoModelForCTC, AutoProcessor

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

inputs = processor(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)

Use footage with a visible, trackable speaking face. 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 steps50,000
Learning rate1e-4
Train / eval batch size per device32 / 32
SchedulerCosine; 1,000 warmup steps
Precisionbfloat16

The selected validation checkpoint recorded loss 1.2109 and WER 61.98%. 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-VSR only. Results use MSP-Processor-With-LM; WER is a percentage and lower is better.

LRS2

EvaluationWER
Clean test27.37

AVCocktail

SegmentationWER
Active-speaker-detection chunks58.09
Fixed 10-second chunks74.77
Gold chunks58.06

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
MSPVisualForCTC
Ревизия весов
ecf08d4

0 моделей