/ Модель

Характеристики

Параметры
113 млн
Лицензия
CC BY-NC 4.0
Архитектура
hubert · dense
Опубликована
20 июн 2024

SSA-HuBERT-base-60k

ЭмбеддингиТекст → embedding3 профессии

Самоконтролируемый речевой энкодер HuBERT, обученный на африканских языках и предназначенный для извлечения представлений и дообучения распознавания речи.

39скачиваний за 30 дней12лайковвеса обновлены28 ноя 2025

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

SSA-HuBERT-base-60k — самоконтролируемая речевая модель семейства HuBERT, представленная авторами исследования Africa-Centric Self-Supervised Pre-Training for Multilingual Speech Representation in a Sub-Saharan Context на AfricaNLP 2024. Модель содержит 113,3 млн параметров и предварительно обучена примерно на 60 тысячах часов речи на 21 языке и языковом варианте стран Африки к югу от Сахары, включая бамбара, хауса, суахили, волоф и французский. Обучающие записи включают студийную речь и шумные спонтанные уличные интервью.

Модель предназначена для извлечения речевых представлений, которые можно использовать как энкодер при дообучении систем распознавания речи для отдельных языков. В README описана настройка через SpeechBrain на данных FLEURS с двумя линейными слоями и выходом softmax; приведены результаты CER и WER для распознавания без языковой модели. В репозитории доступны веса PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Сценарии применения

  • извлечение признаков из речи на языках Африки к югу от Сахары
  • дообучение распознавания речи для хауса, суахили или волоф
  • создание речевых энкодеров для малоресурсных африканских языков

Ограничения

Это речевой энкодер, а не готовая система распознавания: для ASR требуется дообучение с выходными слоями. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

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

Model description

This self-supervised speech model (a.k.a. SSA-HuBERT-base-60k) is based on a HuBERT Base architecture (~95M params) [1].
It was trained on nearly 60 000 hours of speech segments and covers 21 languages and variants spoken in Sub-Saharan Africa.

Pretraining data

  • Dataset: The training dataset was composed of both studio recordings (controlled environment, prepared talks) and street interviews (noisy environment, spontaneous speech).

  • Languages: Bambara (bam), Dyula (dyu), French (fra), Fula (ful), Fulfulde (ffm), Fulfulde (fuh), Gulmancema (gux), Hausa (hau), Kinyarwanda (kin), Kituba (ktu), Lingala (lin), Luba-Lulua (lua), Mossi (mos), Maninkakan (mwk), Sango (sag), Songhai (son), Swahili (swc), Swahili (swh), Tamasheq (taq), Wolof (wol), Zarma (dje).

ASR fine-tuning

The SpeechBrain toolkit (Ravanelli et al., 2021) is used to fine-tune the model.
Fine-tuning is done for each language using the FLEURS dataset [2].
The pretrained model (SSA-HuBERT-base-60k) is considered as a speech encoder and is fully fine-tuned with two 1024 linear layers and a softmax output at the top.

License

This model is released under the CC-by-NC 4.0 conditions.

Publication

This model were presented at AfricaNLP 2024. The associated paper is available here: Africa-Centric Self-Supervised Pre-Training for Multilingual Speech Representation in a Sub-Saharan Context

Citation

Please cite our paper when using SSA-HuBERT-base-60k model:

Caubrière, A., & Gauthier, E. (2024). Africa-Centric Self-Supervised Pre-Training for Multilingual Speech Representation in a Sub-Saharan Context. In 5th Workshop on African Natural Language Processing (AfricaNLP 2024).

Bibtex citation:

@inproceedings{caubri{\`e}re2024ssaspeechssl,    
	title={Africa-Centric Self-Supervised Pretraining for Multilingual Speech Representation in a Sub-Saharan Context},    
	author={Antoine Caubri{\`e}re and Elodie Gauthier},    
	booktitle={5th Workshop on African Natural Language Processing},    
	year={2024},    
	url={https://openreview.net/forum?id=zLOhcft2E7}}

Results

The following results are obtained in a greedy mode (no language model rescoring).
Character error rates (CERs) and Word error rates (WERs) are given in the table below, on the 20 languages of the SSA subpart of the FLEURS dataset.

LanguageCERCER (joint finetuning)WERWER (joint finetuning)
Afrikaans23.320.368.462.6
Amharic15.914.952.749.0
Fula21.217.861.956.4
Ganda11.510.752.850.3
Hausa10.59.032.529.4
Igbo19.717.257.552.9
Kamba16.115.653.953.7
Lingala8.76.924.720.9
Luo9.98.238.934.9
Northen-Sotho13.511.743.238.9
Nyanja13.310.954.248.3
Oromo22.820.178.174.8
Shona11.68.350.239.3
Somali21.619.764.960.3
Swahili7.15.523.820.3
Umbundu21.718.861.754.2
Wolof19.417.055.050.7
Xhosa11.99.951.645.9
Yoruba24.323.567.565.7
Zulu12.29.653.444.9
Overall average15.813.852.347.7

Reproductibilty

We propose a notebook to reproduce the ASR experiments mentioned in our paper. See SB_ASR_FLEURS_finetuning.ipynb.
By using the ASR_FLEURS-swahili_hf.yaml config file, you will be able to run the recipe on Swahili.

References

[1] Wei-Ning Hsu, Benjamin Bolte, Yao-Hung Hubert Tsai, Kushal Lakhotia, Ruslan Salakhutdinov, and Abdelrahman Mohamed. HuBERT: Self-Supervised Speech Representation Learning by Masked Prediction of Hidden Units. In 2021 IEEE/ACM Transactions on Audio, Speech, and Language Processing, vol. 29, pp.3451–3460, 2021. doi: 10.1109/TASLP.2021.3122291.
[2] Alexis Conneau, Min Ma, Simran Khanuja, Yu Zhang, Vera Axelrod, Siddharth Dalmia, Jason Riesa, Clara Rivera, and Ankur Bapna. Fleurs: Few-shot learning evaluation of universal representations of speech. In 2022 IEEE Spoken Language Technology Workshop (SLT), pp. 798–805, 2022. doi: 10.1109/SLT54892.2023.10023141.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
HubertModel
Ревизия весов
e8f821c

0 моделей