/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
hubert-base-ls960
Библиотека
transformers
Опубликована
6 июл 2026

tibetan-asr-nict-tib1-hubert-base

Распознавание речиАудио → текст3 профессии

Полностью дообученная HuBERT Base для транскрибирования современной лхасской тибетской речи.

33скачиваний за 30 дней0лайковвеса обновлены27 июл 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

Это модель распознавания речи на основе HuBERT Base, разработанная авторами исследования J. Moore, S. Li и P. Lauren и опубликованная вместе со статьёй об оценке распознавания тибетской речи. Модель полностью дообучена на базе facebook/hubert-base-ls960 с CTC-декодером для транскрибирования современной лхасской (центральной) тибетской речи. Архитектура использует Wav2Vec2ForCTC, число параметров — 113,3 млн; модель принимает аудио и выдаёт текст. Обучение проведено на корпусе NICT-Tib1: записи новостной речи 20 дикторов, с разбиением данных по дикторам.

Модель предназначена для транскрибирования записанной лхасской тибетской речи и исследовательских сравнений систем ASR. На тестовой выборке CER составил 0,1352, однако авторы сообщают о худших среди сравниваемых архитектур результатах на метриках ошибок слогов и слов; независимое предсказание CTC может хуже учитывать тибетскую агглютинативную морфологию. Проверка охватывала только новостную речь и трёх тестовых дикторов, поэтому качество для разговорной речи и других диалектов не установлено. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибирование тибетских новостных аудиозаписей
  • распознавание лхасской тибетской речи
  • оценка качества тибетских систем распознавания речи
  • исследовательские сравнения моделей ASR для малоресурсных языков

Ограничения

Обучение и оценка проводились на записанной новостной речи современного лхасского тибетского языка; качество для диалектов Амдо и Кхам, классического тибетского и спонтанной речи неизвестно. Тест включал только трёх дикторов, а результаты на слоговых и словных метриках были слабыми.

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 — Tibetan ASR (full fine-tune)

Fine-tuned facebook/hubert-base-ls960 for automatic speech recognition (ASR) on Lhasa Tibetan, released alongside:

J. Moore, S. Li and P. Lauren, "Evaluating Tibetan ASR With Segmented Word Error Rate: Beyond Character-Level Metrics," in IEEE Access, vol. 14, pp. 101790-101805, 2026, doi: 10.1109/ACCESS.2026.3709206.

This repo is one of 14 model checkpoints released with the paper, benchmarking 5 ASR architectures (Whisper Tiny/Base/Small, Wav2Vec 2.0 Base, HuBERT Base) under full fine-tuning, LoRA, and QLoRA (8-bit/4-bit) adaptation. See billingsmoore/tibetan-asr-nict-tib1-* for the full set.

Model description

HuBERT is a self-supervised speech encoder pre-trained by iteratively clustering acoustic units to learn hidden structure, fine-tuned here with a CTC decoder for Tibetan transcription. This checkpoint uses full fine-tuning (all parameters updated, no quantization or adapters).

Training data

Fine-tuned on NICT-Tib1, a corpus of transcribed Lhasa Tibetan speech from 20 speakers (Soky, Gong & Li, 2022). The data was split by speaker (85/15, not by utterance) so that no speaker appears in both splits: 15,099 training utterances from 17 speakers, 1,547 test utterances from the remaining 3 speakers.

Training procedure

  • Base model: facebook/hubert-base-ls960
  • Learning rate: 1.0e-4
  • Max steps: 4000 (warmup 500)
  • Effective batch size: 16 (per-device batch size 2, gradient accumulation 8)
  • Decoder: CTC
  • Mixed precision: fp16, with gradient checkpointing

Evaluation results

Evaluated on the 1,547-utterance NICT-Tib1 test set under five metrics: Character Error Rate (CER), Syllable Error Rate (SER), and three Segmented Word Error Rate (SWER) variants using different automatic word segmenters (BoTok-SWER, BERT-SWER, and Gem-SWER, the last computed on a 500-utterance subset for API cost reasons). All values are micro-averaged. See the paper for full bootstrap confidence intervals.

MetricValue
CER (micro)0.1352
SER (micro)0.369
BoTok-SWER (micro)0.4477
BERT-SWER (micro, full 1,547-utt. test set)0.161
Gem-SWER (micro, 500-utt. subset)0.9653

This model's CER was comparable to Whisper Tiny's, but it recorded the worst word-level scores (SER, BoTok-SWER, BERT-SWER, Gem-SWER) of any architecture benchmarked — CTC's conditional-independence assumption appears to interact poorly with Tibetan's agglutinative morphology.

Full model family comparison (standard fine-tuning)

ModelRepoCERSERBoTok-SWERBERT-SWERGem-SWER
HuBERT Basetibetan-asr-nict-tib1-hubert-base0.13520.36900.44770.1610.9653
Wav2Vec 2.0 Basetibetan-asr-nict-tib1-wav2vec2-base0.07450.21520.27470.0970.7447
Whisper Tinytibetan-asr-nict-tib1-whisper-tiny0.15600.23510.29750.1180.6759
Whisper Basetibetan-asr-nict-tib1-whisper-base0.14170.20830.26000.1050.6314
Whisper Smalltibetan-asr-nict-tib1-whisper-small0.11850.16920.20420.0860.5337

How to use

from transformers import pipeline

pipe = pipeline("automatic-speech-recognition", model="billingsmoore/tibetan-asr-nict-tib1-hubert-base")
result = pipe("path/to/audio.wav")
print(result["text"])

Limitations

  • Trained and evaluated only on read-speech, modern Lhasa (Central) Tibetan news recordings; performance on Amdo or Kham dialects, Classical Tibetan, or spontaneous/conversational speech is unknown.
  • The test set contains only 3 speakers (by design, to prevent speaker leakage), which limits how confidently results generalize across speaker, age, and prosodic variation.
  • CER alone understates errors that matter at the word level for Tibetan; see the paper for why SER and SWER are necessary complements when judging output quality.

Citation

If you use this model, please cite the paper and the source NICT-Tib1 corpus:

@ARTICLE{11592371,
  author={Moore, Jacob and Li, Sheng and Lauren, Paula},
  journal={IEEE Access},
  title={Evaluating Tibetan ASR With Segmented Word Error Rate: Beyond Character-Level Metrics},
  year={2026},
  volume={14},
  number={},
  pages={101790-101805},
  keywords={Modeling;Automatic speech recognition;Error analysis;LoRa;Measurement;Ranking (statistics);Quantization (signal);Bit error rate;Standards;Training;Tibetan;automatic speech recognition;word error rate;low-resource language},
  doi={10.1109/ACCESS.2026.3709206}
}

@inproceedings{soky2022nict,
  title={Nict-tib1: A public speech corpus of lhasa dialect for benchmarking tibetan language speech recognition systems},
  author={Soky, Kak and Gong, Zhuo and Li, Sheng},
  booktitle={2022 25th Conference of the Oriental COCOSDA International Committee for the Co-ordination and Standardisation of Speech Databases and Assessment Techniques (O-COCOSDA)},
  pages={1--5},
  year={2022},
  organization={IEEE}
}

License

Released under Apache License 2.0, inherited from the base model facebook/hubert-base-ls960.

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
9fe4f9c

0 моделей