/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Библиотека
transformers
Опубликована
14 янв 2026

japanese-avhubert-large_noise_pt

ЭмбеддингиТекст → embedding

Предварительно обученная AVHuBERT Large извлекает признаки японской аудиовизуальной речи и рассчитана на применение в системах распознавания речи, устойчивых к шуму.

2скачиваний за 30 дней3лайкавеса обновлены10 апр 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

enactic/japanese-avhubert-large_noise_pt — предварительно обученная модель AVHuBERT Large от Reazon Research для обработки японской аудиовизуальной речи. Она обучена примерно на 2250 часах японских аудиовизуальных данных с добавлением фонового шума, музыки, гулов голосов и смешанной речи, чтобы получать устойчивые представления речи в шумной среде.

Модель предназначена для извлечения признаков из аудио и видео как основы для систем распознавания аудиовизуальной речи (AVSR), в том числе в шумных условиях. В метаданных Hugging Face указаны задача feature-extraction, библиотека Transformers и формат safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не для коммерческих целей.

Сценарии применения

  • извлечение признаков японской речи из аудио и видео
  • подготовка представлений для распознавания японской речи по аудио и видео
  • обработка японской речи в условиях фонового шума
  • создание AVSR-систем для смешанной речи и музыки на фоне

Ограничения

Модель предназначена для извлечения признаков; для распознавания речи потребуется соответствующий downstream-компонент. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

reazon-research/japanese-avhubert-large_noise_pt

This is a pretrained AVHuBERT (Audio-Visual Hidden Unit BERT) Large model on Japanese audio-visual corpus with noise augmentaion. AVHuBERT is a self-supervised model for AVSR (Audio-Visual Speech Recognition), robust for a noisy environment by leveraging both audio and visual inputs.

This model is pretrained on approximately 2,250h of Japanese audio-visual dataset with noise augmentation using environment noise, music, babble noise, and speech mixup.

Usage

Please install dependencies first.

$ pip install git+https://github.com/reazon-research/ReazonSpeech.git#subdirectory=pkg/avsr

Using transformers directly

from transformers import AutoFeatureExtractor, AutoModel

extractor = AutoFeatureExtractor.from_pretrained("reazon-research/japanese-avhubert-large_noise_pt", trust_remote_code=True)
model = AutoModel.from_pretrained("reazon-research/japanese-avhubert-large_noise_pt", trust_remote_code=True)

inputs = extractor(raw_audio="path/to/audio", raw_video="path/to/video")
# If mouth extraction is not performed, you can add `extract_mouth=True`
inputs = extractor(raw_audio="path/to/audio", raw_video="path/to/video", extract_mouth=True)

outputs = model(**inputs)

Using reazonspeech.avsr package

If you do not want to use trust_remote_code, please install reazonspeech.avsr.

from reazonspeech.avsr import AVHubertFeatureExtractor, AVHubertModel

extractor = AVHubertFeatureExtractor.from_pretrained("reazon-research/japanese-avhubert-large_noise_pt")
model = AVHubertModel.from_pretrained("reazon-research/japanese-avhubert-large_noise_pt")

inputs = extractor(raw_audio="path/to/audio", raw_video="path/to/video")
# If mouth extraction is not performed, you can add `extract_mouth=True`
inputs = extractor(raw_audio="path/to/audio", raw_video="path/to/video", extract_mouth=True)

outputs = model(**inputs)

Citation

@misc{reazon-research/japanese-avhubert-large_noise_pt,
  title={japanese-avhubert-large_noise_pt},
  author={Sasaki, Yuta},
  url = {https://huggingface.co/reazon-research/japanese-avhubert-large_noise_pt},
  year = {2025}
}

@article{shi2022avhubert,
    author  = {Bowen Shi and Wei-Ning Hsu and Kushal Lakhotia and Abdelrahman Mohamed},
    title = {Learning Audio-Visual Speech Representation by Masked Multimodal Cluster Prediction},
    journal = {arXiv preprint arXiv:2201.02184}
    year = {2022}
}

@article{shi2022avsr,
    author  = {Bowen Shi and Wei-Ning Hsu and Abdelrahman Mohamed},
    title = {Robust Self-Supervised Audio-Visual Speech Recognition},
    journal = {arXiv preprint arXiv:2201.01763}
    year = {2022}
}

License

CC-BY-NC-4.0

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
14dcd39

0 моделей