/ Модель

Характеристики

Базовая модель
DeepSeek-R1-Distill-Qwen-1.5B
Опубликована
27 фев 2025

TinyOctopus

Распознавание речиАудио, текст → текст

TinyOctopus — дообученная двуязычная аудиоязыковая модель для распознавания арабской и английской речи, перевода арабской речи на английский и определения арабских диалектов.

0скачиваний за 30 дней10лайковвеса обновлены5 мар 2025

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

TinyOctopus — двуязычная аудиоязыковая модель, разработанная Sara Althubaiti для распознавания речи и генерации текста по аудио. Она объединяет аудиокодировщик Distil-Whisper distil-large-v3, обучаемый слой проекции с перекрёстным вниманием и языковую модель DeepSeek-R1-Distill-Qwen-1.5B. Модель предназначена для распознавания арабской и английской речи, перевода арабской речи на английский и определения диалектов арабского языка.

В README приведены результаты на тестах: WER 16% для арабского и 4,5% для английского распознавания, BLEU 55,05 и 43,23 для перевода по двум указанным оценкам, точность определения диалекта 70,59%. Модель дообучена на QASR и ADI17; метаданные указывают поддержку арабского и английского языков и формат safetensors. Длина контекста и лицензия в предоставленных данных не указаны.

Сценарии применения

  • распознавание арабской речи из аудиозаписей
  • распознавание английской речи
  • перевод арабской речи на английский текст
  • определение диалекта по короткой записи арабской речи

Ограничения

Заявленные результаты относятся к конкретным тестам и наборам данных; качество на других акцентах, диалектах и аудиосредах может отличаться. Лицензия и длина контекста не приведены в доступных материалах.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

TinyOctopus: Bilingual Audio Language Model 🐙🔊

📢 Overview

TinyOctopus is a Bilingual Audio Language Model (Audio-LLM) designed to process and generate text from audio inputs. The model leverages Distil-Whisper (distil-large-v3) for audio encoding, a cross-attention projection layer for alignment, and DeepSeek 1.5B for text generation. TinyOctopus is optimized for tasks such as:

  • Bilingual Automatic Speech Recognition (ASR) 🗣️
  • Arabic to English Speech Translation 🌍
  • Spoken Arabic Dialect Identification

TinyOctopus maintaining the architectural principles of the following structure:

🏗 Model Architecture

TinyOctopus integrates:

  1. Distil-Whisper (distil-large-v3) for encoding audio inputs.
  2. Cross-Attention Projection Layer (trainable) to align audio features with textual representations.
  3. DeepSeek 1.5B as the core language model for text generation.

📂 Dataset

The model has been trained on multiple datasets to optimize its performance across different tasks:

  • QASR Dataset: QASR is the largest transcribed Arabic speech corpus, collected from the broadcast domain. It contains 2,000 hours of multi-dialect speech sampled at 16kHz from Al Jazeera News Channel, with lightly supervised transcriptions aligned with the audio segments. Unlike previous datasets, QASR includes linguistically motivated segmentation, punctuation, speaker information, and more. The dataset is suitable for ASR, Arabic dialect identification, punctuation restoration, speaker identification, and NLP applications. Additionally, a 130M-word language model dataset is available to aid language modeling. Speech recognition models trained on QASR achieve competitive WER compared to the MGB-2 corpus, and it has been used for downstream tasks like Named Entity Recognition (NER) and punctuation restoration.

  • ADI17 Dataset: ADI17 is a large-scale Arabic Dialect Identification (DID) dataset, collected from YouTube videos across 17 Arabic-speaking countries in the Middle East and North Africa. It contains 3,000 hours of speech for training DID systems and an additional 57 hours for development and testing. The dataset is categorized into short (<5s), medium (5-20s), and long (>20s) speech segments for detailed evaluation. ADI17 enables state-of-the-art dialect identification and provides a robust evaluation platform. It has been benchmarked on domain-mismatched conditions using the Multi-Genre Broadcast 3 (MGB-3) test set.

⚙️ Installation & Usage

💻 Install Dependencies

pip install -r requirements.txt

Inference

from inference import transcribe

audio_path = "path/to/audio.wav"  # Replace with your actual audio file
output = transcribe(audio_path, task="asr")  # Options: "dialect", "asr", "translation"

print("Generated Text:", output)

How to Try It?

You can test the model by uploading or recording your own audio files using the Gradio demo:
➡️ Try the Model


Evaluation Results

ASR Performance (WER & Error Breakdown)

TasksWER (%)Substitution (%)Deletion (%)Insertion (%)
ASR_QASR (Arabic)16.009.52.73.8
ASR_ibrispeech&tedlium (English)4.503.00.80.7

Translation Performance (BLEU Scores)

TasksBLEU (GPT-4o)BLEU (Google)
Translation55.0543.23

Dialect Identification Accuracy

TasksAccuracy (%)
Dialect Identification70.59

Confusion matrix of adi17 test set


Examples

Example 1: Arabic Speech Recognition

🎵 Audio Input (Arabic):

📝 User Prompt:

Transcribe the audio or قم بتفريغ المقطع الصوتي

💡 System Response:

أهلا بكم مشاهدينا الكرام في حلقة جديدة من برنامج الاقتصاد والناس

🎵 Audio Input (English):

📝 User Prompt:

Transcribe the audio or قم بتفريغ المقطع الصوتي

💡 System Response:

NO IT'S NOT TOO SOON


Example 2: Arabic to English Translation

🎵 Audio Input:

📝 User Prompt:

Translate the following Arabic speech into English or قم بترجمة المقطع للإنجليزية

💡 System Response:

I took a loan a certain amount of money to pay off the debt


Example 3: Dialect Identification

🎵 Audio Input:

📝 User Prompt:

Identify the dialect of the given speech or ماهي لهجة المتحدث؟

💡 System Response:

KSA


Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Ревизия весов
6c13b89

0 моделей