/ Модель

Характеристики

Лицензия
MIT
Опубликована
12 авг 2026

s2s-tur2kaz

Обработка аудиоАудио → аудио

Система напрямую переводит аудио на казахском языке в речь на турецком, татарском или узбекском.

0скачиваний за 30 дней1лайквеса обновлены12 авг 2026

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

Модель aidanakarib/s2s-tur2kaz — система прямого перевода устной казахской речи в устную турецкую, татарскую или узбекскую речь. Она разработана авторами проекта NLP-KazNU; в репозитории опубликованы контрольные точки для трёх этапов: дообученный энкодер Whisper large-v3 с декодером текста, предсказатель речевых единиц CodecDecoderXAR и вокодер на базе HiFi-GAN. При работе система переводит аудио непосредственно в аудио, без промежуточного текста на этапе инференса.

Модель предназначена для речевого перевода между тюркскими языками. В тестировании средний ASR-BLEU сквозного перевода составил 3,25, с результатами 1,30 для турецкого, 3,22 для татарского и 5,24 для узбекского; это указывает на существенные ограничения качества. Опубликованные файлы — PyTorch state_dict, а код загрузки и конфигурации находятся в связанном репозитории. Лицензия — MIT.

Сценарии применения

  • перевод казахской речи на турецкий язык
  • перевод казахской речи на татарский язык
  • перевод казахской речи на узбекский язык
  • создание речевых демонстраций перевода между тюркскими языками

Ограничения

В тестировании сквозной перевод показал средний ASR-BLEU 3,25, поэтому качество распознаваемой целевой речи ограничено. Опубликованы контрольные точки PyTorch, а для загрузки нужны код и конфигурации из связанного репозитория.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Direct Speech-to-Speech Translation: kaz → {tur, tat, uzb}

Trained checkpoints for a direct (no intermediate text at inference time) speech-to-speech translation system, Kazakh → Turkish / Tatar / Uzbek. Code: github.com/NLP-KazNU/s2s-public. Paper: IEEE Access, in revision (citation to be added on acceptance).

Architecture and checkpoints

FileStageSize
whisper_s2tt_ws2tt_lv3.ptS2TT text stage: fine-tuned Whisper large-v3 encoder + custom FiLM decoder (whisper_s2tt.py)2.7 GB
codec_decoder_l9_head.ptSingle-stream S2UT unit predictor: CodecDecoderXAR, n_q=1, mHuBERT-147 layer-9 units (codec_decoder_xattn.py)122 MB
unit_vocoder_hifigan.ptDedicated Turkic single-stream unit vocoder (train_unit_voc_hifigan.py)338 MB

Loading code and configs live in the GitHub repo; these .pt files are raw state_dict checkpoints matching the model classes defined there (WhisperS2TT, CodecDecoderXAR, SpeechBrain UnitHifiganGenerator).

Results (test set)

  • S2TT text-BLEU avg 19.05 (tur 12.76 / tat 25.76 / uzb 18.63)
  • End-to-end ASR-BLEU (argmax) avg 3.25 (tur 1.30 / tat 3.22 / uzb 5.24)
  • Beats an MMS→MADLAD→MMS cascade baseline (1.56 avg) by >2×

Full numbers, ablations, and the honest metric pack (chrF++/WER/CER/COMET/SQUIM/RTF) are in RESULTS.md.

Audio samples

See the demo_audio/ folder — 8 example system outputs (kaz source → predicted tur/tat/uzb speech) from the final single-stream S2UT system.

What this is not

Earlier architecture iterations (from-scratch encoder with morphology/VQ/SONAR auxiliary losses, a non-autoregressive mel decoder, an EnCodec-based acoustic-code predictor) all produced ASR-BLEU ≈ 0 and are not published — see the paper's Limitations section and the GitHub repo's README for why.

License

MIT.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Ревизия весов
ba95852

0 моделей