/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-large-xlsr-53
Опубликована
16 мая 2024

wav2vec2-large-xlsr-53-phoneme-portuguese

Распознавание речиАудио → текст3 профессии

Модель распознаёт фонемы в аудио на бразильском португальском и предназначена для фонетической транскрипции и разработки систем распознавания речи.

627скачиваний за 30 дней1лайквеса обновлены8 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

Модель caiocrocha/wav2vec2-large-xlsr-53-phoneme-portuguese разработана Каio Rocha в рамках бакалаврской дипломной работы по вычислительной инженерии в Федеральном университете Жуиз-ди-Фора под руководством профессора Жаиро Соузы. Это модель автоматической фонетической транскрипции бразильского португальского языка, дообученная для вывода последовательности фонем из аудио на базе facebook/wav2vec2-large-xlsr-53.

Архитектура Wav2Vec2ForCTC содержит около 402,7 млн параметров; веса доступны в форматах PyTorch и Safetensors. Модель предназначена для разработчиков и исследователей ASR, а также для создания систем распознавания речи. Она обучалась на 10-часовой выборке CORAA ASR; в карточке приведены результаты оценки по PER и точности, но показатели точности на тесте противоречивы и требуют осторожной интерпретации.

Модель может путать фонемы и не подходит для распознавания акцента или задач, требующих точного распознавания фонем. На качество влияют акцент, темп и особенности речи, возраст говорящего, шум, реверберация и канал передачи; модель смещена в сторону произношения, представленного в инструменте FalaBrasil G2P, и может хуже работать на недостаточно представленных акцентах. Лицензия — Apache-2.0.

Сценарии применения

  • фонетическая транскрипция речи на бразильском португальском
  • получение последовательностей фонем из речевых аудиозаписей
  • прототипирование систем автоматического распознавания бразильской речи
  • исследование ошибок распознавания фонем на выборках CORAA ASR
  • подготовка фонетических данных для экспериментов с выравниванием речи

Ограничения

Модель может путать фонемы, не предназначена для распознавания акцента и может хуже работать с мало представленными вариантами бразильского португальского; шум, темп речи и канал записи также влияют на качество. Указанная точность на тестовой выборке (0,16) заметно расходится с PER 0,1587, поэтому метрики стоит проверять по первоисточнику.

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

Wav2vec 2.0 APT PT-BR Model Card

Model Details

Intended Use

  • Intended to be used for APT tasks and for the development of ASR systems.
  • Mainly aimed at developers and ASR researchers.
  • Not suitable for accent recognition or any task that requires precise phoneme recognition, because the model might confuse phonemes.

Factors

Potential factors that might affect the model's performance are age, accent, speech rate, fluency, speech idiosyncrasies, background noise, reverberation, and transmission channel phenomena.

Metrics

  • Phone Error Rate (PER) to measure the percentage of phones that have been transcribed incorrectly.
  • Accuracy to measure the percentage of correctly predicted phonemes.
  • Boxplots of confidence scores by predicted phoneme, aiming to measure the model's level of confidence per class.
  • Confusion matrix, providing a detailed view into the most commonly confused phonemes.

Training Data

  • CORAA ASR train set 10 hours sample.
  • The audios were randomly selected from the sample that satisfied the following criteria:
    • Portuguese variety: Brazilian Portuguese
    • Number of up votes greater than zero and number of down votes equals zero.
    • Length of transcription is greater than 2.
    • Audio duration is greater than the first quartile (Q1) and lower than the third quartile (Q3), considering the distribution of audio durations.

Evaluation Data

  • CORAA ASR test set 1 hour sample.
  • The audios were randomly selected from the sample that satisfied the previously specified criteria.

Quantitative Analyses

The model was evaluated on the sample test and dev sets, obtaining the following results:

SetPERAccuracy
Dev0.21970.89
Test0.15870.16

Additionaly, we evaluated its performance across the phone classes, presented below:

Boxplot

Confusion_matrix

Ethical Considerations

The model is biased towards the accent featured in FalaBrasil's G2P tool, which was used to transcribe the CORAA ASR datasets. Furthermore, even though the corpus contains several PT-BR accents (Recife, Minas Gerais, standard and non-standard São Paulo accents, among others), the model may underperform on speech featuring underrepresented accents.

Caveats and Recommendations

  • To run the model with a dataset, you may use this script.
  • The model can be run with either vocab.json or encoded_vocab.json, which was originally used for the fine tuning. It contains the same set of phonemes as vocab.json, but in an encoding that has single character keys. For this reason, it can facilitate applications that require forced alignment. To use this encoding, you have to rename encoded_vocab.json to vocab.json.

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
847d58e

0 моделей