/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Опубликована
4 авг 2026

cmubye-phoneme-encoder

Распознавание речиАудио → текст3 профессии

Модель распознаёт фонемы в английской речи и помогает оценивать произношение на уровне фонем и слов.

64скачиваний за 30 дней1лайквеса обновлены4 авг 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

CMUBYE phoneme encoder — модель Pransfrance на архитектуре wav2vec2-XLS-R-300M, дообученная для распознавания фонем и оценки произношения. Она принимает английскую речь и с помощью CTC выдаёт последовательность фонем из 42-токенного IPA-словаря. Модель предназначена для анализа произношения на уровне фонем и слов; её можно использовать как замену vitouphy/wav2vec2-xls-r-300m-timit-phoneme.

На тестовой выборке speechocean762 без пересечения дикторов с обучающей выборкой модель показала PER 0,1755, корреляцию фонемных оценок с оценками людей 0,705 и словесных оценок 0,665. Она обучалась 10 эпох на всех 24 слоях трансформера. Репозиторий содержит веса safetensors, размер модели — 402,7 млн параметров. Лицензия — Apache-2.0. Обучающая выборка ориентирована на изучающих английский с родным китайским; около 46% участников были детьми 6–8 лет.

Модель может переноситься на других изучающих английский как второй язык, но для конкретной целевой группы рекомендуется дообучение на профильных аудиозаписях.

Сценарии применения

  • оценка произношения английских слов
  • поиск замен и пропусков фонем в английской речи
  • анализ произношения изучающих английский
  • сопоставление фонемной реализации речи с оценками экспертов

Ограничения

Модель обучена преимущественно на англоязычной речи изучающих язык с родным китайским, включая детей 6–8 лет; для других групп точность может отличаться. Для целевой аудитории, отличающейся от обучающей выборки, автор рекомендует дообучение на профильных аудиоданных.

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

CMUBYE phoneme encoder

wav2vec2-XLS-R-300M phone-CTC encoder, fine-tuned on speechocean762 for pronunciation assessment. Drop-in for vitouphy/wav2vec2-xls-r-300m-timit-phoneme; same 42-token IPA vocabulary.

Results

Held-out speechocean762 test split, zero speaker overlap with train.

basethis model
PER0.40430.1755
phone-level PCC vs human scores0.5680.705
word-level PCC0.5390.665
utterance PCC0.6900.712
mispronunciation detection AP0.4450.652

Phone and word level exceed commonly published results on this benchmark (~0.60 / ~0.55).

Training

Targets are what the annotators heard, not what the prompt said — substitutions use the realised phone, deletions drop out, distortions keep the canonical. Training on canonical phones instead teaches the model to emit the expected phone regardless of the audio, which makes goodness-of-pronunciation measure nothing while CTC loss still looks healthy.

10 epochs, all 24 transformer layers unfrozen, batch 8 x accum 2, lr 2e-5.

Usage

from transformers import AutoModelForCTC, AutoProcessor

proc = AutoProcessor.from_pretrained("Pransfrance/cmubye-phoneme-encoder")
model = AutoModelForCTC.from_pretrained("Pransfrance/cmubye-phoneme-encoder")

The encoder alone gives frame-level phone posteriors. Alignment, GOP, error decoding, completeness and the calibrated scoring head live in CMUBYE.

Limitations

Fine-tuned on Mandarin-L1 English learners, ~46% of them children aged 6-8. It transfers usefully to other L2 English but is not adapted to any specific target population; re-running the fine-tune on in-domain audio is the single highest-value improvement available.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
454fa24

0 моделей