/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
hubert · dense
Базовая модель
hubert-base-ls960
Библиотека
transformers
Опубликована
6 мар 2026

hubert-base-phoneme-en

Распознавание речиАудио → текст3 профессии

Дообученная HuBERT-модель предсказывает английские фонемы ARPABET для извлечения признаков и исследований систем оценки произношения.

198скачиваний за 30 дней1лайквеса обновлены7 мар 2026

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 «Распознавание речи» — 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

Peacockery/hubert-base-phoneme-en — дообученная Peacockery модель на основе HuBERT-base от Facebook для предсказания фонем английской речи методом CTC. Она выдаёт последовательности фонем из 41-токенного набора ARPABET и предназначена для извлечения фонемных апостериорных вероятностей в экспериментальных системах оценки произношения, включая извлечение признаков для GOP-SF и сравнение акустических энкодеров в конвейере P003. Модель принимает аудио; архитектура — HuBERT с CTC-головой, число параметров по метаданным — 113,3 млн. Обучение проводилось на LibriSpeech 960 часов. Базовая модель рассчитана на аудиоречь с частотой 16 кГц.

Это промежуточный компонент, а не готовая оценка произношения: для оценки нужны последующие этапы GOP/GOPT, а заявленные результаты эксперимента на SpeechOcean762 в карточке ещё не приведены. Модель не предназначена для универсальной транскрибации английской речи или как самостоятельный сервис распознавания. Лицензия — Apache-2.0.

Сценарии применения

  • получение последовательностей английских фонем из аудиозаписей
  • извлечение фонемных вероятностей для GOP-SF
  • подготовка признаков для конвейера оценки произношения
  • сравнение акустических энкодеров для распознавания фонем

Ограничения

Это промежуточный генератор фонемных предсказаний, а не самостоятельный оценщик произношения; для оценки требуются этапы GOP/GOPT. Не предназначена для универсальной транскрибации или производственного сервиса ASR; оценка на SpeechOcean762 выполняется отдельно.

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

hubert-base-phoneme-en

This model is a fine-tuned version of facebook/hubert-base-ls960 for phoneme-level CTC prediction with the 41-token ARPABET vocabulary used by peacock-asr.

It is a P003 backbone artifact, not the final pronunciation-scoring result. The downstream GOP/GOPT evaluation on SpeechOcean762 happens in the separate P003 eval sweeps.

Model description

  • Base model: HuBERT-base (facebook/hubert-base-ls960, 95M parameters)
  • Fine-tuning objective: phoneme-level CTC
  • Training data: LibriSpeech 960h
  • Output vocabulary: repo-standard ARPABET token set used for pronunciation scoring backends
  • Hugging Face backend string for this repo: hf:Peacockery/hubert-base-phoneme-en

This artifact is intended to serve as the phoneme-posterior generator for the P003 compact-backbone comparison:

  • wav2vec2-base (95M) vs
  • HuBERT-base (95M) vs
  • w2v-bert-2.0 (600M) vs
  • future smaller backbones such as Citrinet

Intended uses & limitations

Intended use:

  • research on phoneme posterior extraction
  • backend for GOP-SF feature extraction
  • controlled backbone swaps inside the P003 pronunciation-scoring pipeline

Not intended as:

  • a general-purpose English ASR model
  • a production transcription endpoint
  • a standalone pronunciation assessor without the downstream GOP/GOPT pipeline

Important limitation:

  • the trainer-side eval/per metric reported here is only the phoneme-CTC training metric used during fine-tuning
  • the meaningful P003 research result is phone-level PCC on SpeechOcean762 after GOP/GOPT evaluation, which is tracked separately

Training and evaluation data

Training data:

  • LibriSpeech 960h (train_clean_100, train_clean_360, train_other_500)

Trainer-side evaluation data:

  • LibriSpeech validation split used by the Hugging Face Trainer

Research evaluation data:

  • SpeechOcean762 is used later in the P003 eval sweep, not in this training run

Training procedure

This run used the shared P003 phoneme-head recipe and completed all planned training steps locally on March 6, 2026.

Selection policy:

  • training ran to global_step = 13182
  • the exported root artifact was selected from the best checkpoint
  • best checkpoint by tracked trainer metric: checkpoint-8500
  • best tracked trainer metric:
    • eval_per = 0.9988901220865705 at step 8500
  • final trainer eval at step 13000:
    • eval_loss = 0.10874085873365402
    • eval_per = 0.9992600813910469

Artifact integrity:

  • exported root model.safetensors matches local checkpoint-8500
  • pushed Hugging Face model.safetensors matches that same artifact

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 3e-05
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 8
  • total_train_batch_size: 64
  • optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 1318
  • num_epochs: 3

Training results

These are trainer-side phoneme-CTC validation metrics, not final pronunciation scoring metrics.

Training LossEpochStepValidation LossEval PER
27.99650.11385003.59801.0
27.00350.227610003.42751.0
4.22370.341415000.43111.0
2.69990.455220000.28371.0
2.03930.569025000.21201.0
1.68920.682830000.18220.9996
1.51220.796635000.15850.9993
1.38810.910440000.15430.9993
1.25191.024145000.14090.9996
1.20381.137950000.13290.9993
1.15471.251755000.13390.9996
1.15251.365560000.12760.9993
1.09251.479365000.13280.9993
1.08141.593170000.11720.9993
1.05291.706975000.11490.9993
1.02641.820780000.11720.9993
1.04041.934585000.11410.9989
0.94252.048390000.11500.9993
0.95432.162195000.11570.9993
0.94362.2759100000.11750.9989
0.94062.3897105000.10970.9993
0.91802.5035110000.10960.9993
0.91932.6173115000.11120.9993
0.90052.7311120000.11050.9993
0.89392.8449125000.10830.9993
0.90912.9587130000.10870.9993

Related runs

Research status

  • Training artifact: complete
  • Hugging Face export: complete
  • P003 pronunciation-scoring sweep: pending / separate from this card

Framework versions

  • Transformers 5.2.0
  • Pytorch 2.8.0+cu128
  • Datasets 4.5.0
  • Tokenizers 0.22.2

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
HubertForCTC
Ревизия весов
132c332

0 моделей