/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-base
Библиотека
transformers
Опубликована
21 янв 2026

wav2vec2-quran-phonetics

Распознавание речиАудио → текст3 профессии

Модель wav2vec2 распознаёт фонетическое произношение отдельных слов при чтении Корана и подходит для анализа таджвида и выравнивания транскрипций.

9 386скачиваний за 30 дней10лайковвеса обновлены21 янв 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

TBOGamer22/wav2vec2-quran-phonetics — модель распознавания речи на базе wav2vec2, дообученная для фонетической транскрипции чтения Корана. Она принимает монофоническую аудиозапись с частотой 16 кГц и выдаёт строку в пользовательском фонетическом алфавите, а не арабское написание. Архитектура — Wav2Vec2ForCTC с обучением по CTC, размер — 113,3 млн параметров; используется собственный символьный токенизатор с разделителем слов. Основной сценарий — анализ произношения отдельных коранических слов, включая исследования таджвида и выравнивание аудио с фонетической транскрипцией.

Модель обучена на наборе Buraaq/quran-md-words с аудио отдельных слов и рассчитана на классическое арабское чтение Корана, а не на разговорную речь или современный арабский ASR. Она может служить компонентом учебных и исследовательских инструментов, но не оценивает таджвид целых аятов и не предназначена для религиозных суждений или замены преподавателя Корана. Базовая модель — facebook/wav2vec2-base; лицензия — Apache-2.0.

Сценарии применения

  • Фонетическая транскрипция отдельных слов при чтении Корана
  • Анализ произношения коранических слов в учебных инструментах по таджвиду
  • Выравнивание аудиозаписи чтения Корана с фонетической транскрипцией
  • Исследование фонетики классического арабского языка на материале чтения Корана

Ограничения

Модель предназначена для коранического чтения и отдельных слов, поэтому не подходит для распознавания современной разговорной арабской речи. Она не оценивает таджвид целых аятов и не заменяет квалифицированного преподавателя.

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

Quranic Wav2Vec2 Phonetic ASR

Model Description

Quranic Wav2Vec2 Phonetic ASR is a fine-tuned wav2vec2 model designed specifically for phonetic transcription of Quranic recitation.

Unlike standard Arabic ASR systems that output orthographic Arabic text, this model outputs a phonetic (sound-level) representation, making it suitable for:

  • Tajweed research and education
  • Word-level pronunciation analysis
  • Forced alignment of Quranic recitation
  • Linguistic studies of Classical Arabic phonetics

To the best of our knowledge, this is the first publicly released wav2vec2 model trained explicitly for Quranic phonetic transcription.


Key Features

  • 🎙️ Outputs phonetic strings, not Arabic text
  • 📖 Trained on Quranic recitation, not conversational Arabic
  • 🔤 Custom phonetic vocabulary + tokenizer
  • 🧠 Compatible with CTC forced alignment
  • 🧩 Optimized for word-level Tajweed analysis

Intended Use

This model is intended for:

  • Quranic pronunciation analysis
  • Tajweed educational tools
  • Phoneme-level alignment
  • Academic research on Quranic recitation

⚠️ Not intended for:

  • Modern Arabic ASR
  • End-to-end Tajweed grading of full ayat
  • Automatic religious judgments
  • Replacement of qualified Quran teachers

Model Architecture

  • Base model: facebook/wav2vec2-base
  • Training objective: CTC (Connectionist Temporal Classification)
  • Sampling rate: 16 kHz
  • Input: Mono audio waveform
  • Output: Phonetic transcription string
  • Tokenizer: Custom character-level phonetic tokenizer

Training Dataset

📦 Dataset Used

Buraaq/quran-md-words

This dataset contains word-level Quranic recitation audio with aligned metadata.

Each sample includes:

  • Audio of a single Quranic word
  • Phonetic transcription (word_tr)
  • Arabic word (word_ar)
  • Surah and ayah identifiers
  • Word index within the ayah

This dataset was chosen intentionally to:

  • Preserve clear phonetic boundaries
  • Avoid coarticulation noise from full-ayah audio
  • Enable high-accuracy phonetic learning

🔗 Dataset: https://huggingface.co/datasets/Buraaq/quran-md-words


Phonetic Vocabulary & Tokenizer

The model uses a custom phonetic vocabulary built directly from the dataset:

  • Vocabulary constructed from all unique characters in word_tr
  • Character-level CTC tokenizer
  • Includes:
    • | as word delimiter
    • [PAD] for CTC blank
    • [UNK] for unknown symbols

This design allows:

  • Robust forced alignment
  • Fine-grained phonetic decoding
  • Word boundary detection via delimiter token

Training Procedure

Training Setup

  • Framework: Hugging Face Transformers + Datasets
  • Platform: Windows-safe (no multiprocessing crashes)
  • Audio handling: Hugging Face Audio feature
  • Batch size: 16
  • Epochs: 20
  • Learning rate: 2e-5
  • Optimizer: AdamW (default Trainer)
  • Precision: FP16 when CUDA available
  • Train / Eval split: 90% / 10%

The wav2vec2 feature extractor was not frozen, allowing adaptation to Quranic recitation acoustics.


Training Results

On the held-out evaluation split:

  • Training accuracy: 99.7%
  • Evaluation accuracy: 99.8%
  • Test split size: 10% of the dataset

⚠️ Note:
These results reflect word-level phonetic transcription accuracy on a dataset with consistent recitation style.
Performance may degrade on:

  • Fast recitation
  • Strong coarticulation
  • Unseen riwayat styles

Example Usage

Load Model and Processor

from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC
import torch
import soundfile as sf
import librosa
import numpy as np

processor = Wav2Vec2Processor.from_pretrained(
    "USERNAME/quranic-wav2vec2-phonetic"
)
model = Wav2Vec2ForCTC.from_pretrained(
    "USERNAME/quranic-wav2vec2-phonetic"
)

model.eval()

Phonetic Transcription Example

audio, sr = sf.read("recitation.wav")
# convert to mono
if audio.ndim > 1:
    audio = audio.mean(axis=1)

# resample to 16kHz
if sr != 16000:
    audio = librosa.resample(audio, orig_sr=sr, target_sr=16000)

inputs = processor(
    audio,
    sampling_rate=16000,
    return_tensors="pt",
    padding=True,
)

with torch.inference_mode():
    logits = model(inputs.input_values).logits
    predicted_ids = torch.argmax(logits, dim=-1)

phonetics = processor.batch_decode(
    predicted_ids,
    skip_special_tokens=True
)[0]

print(phonetics)

Example output:

tālik

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
65c3ab9

0 моделей