/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
gravel · dense
Базовая модель
granite-speech-4.1-2b-nar
Опубликована
15 июл 2026

gravel-ctc-440m

Распознавание речиАудио → текст5 профессий

Англоязычная модель Gravel CTC 440M преобразует речь в текст и служит учителем для дистилляции потоковых ASR-моделей.

13скачиваний за 30 дней0лайковвеса обновлены15 июл 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

futo-org разработала Gravel CTC 440M — англоязычную модель автоматического распознавания речи на архитектуре Conformer. Она использует 440-миллионный аудиоэнкодер, выделенный из ibm-granite/granite-speech-4.1-2b-nar, и отдельную CTC-голову с BPE-256; адаптация LoRA объединена с весами модели. На вход подаётся необработанный аудиосигнал PCM с частотой 16 кГц. Модель предназначена для транскрибации английской речи и используется как учитель для дистилляции потоковых ASR-моделей FUTO. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. Для загрузки в README указан trust_remote_code=True.

Сценарии применения

  • транскрибация английской речи из аудиозаписей
  • распознавание английской речи в пользовательском аудио PCM 16 кГц
  • использование как учителя при дистилляции потоковых моделей распознавания речи

Ограничения

Модель предназначена для английской речи; для загрузки README требует trust_remote_code=True. Входной формат, указанный в карточке, — необработанный PCM с частотой 16 кГц.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

gravel-ctc-440m

A 440M CTC English ASR model: the conformer speech encoder of ibm-granite/granite-speech-4.1-2b-nar, extracted, LoRA-finetuned with a BPE-256 CTC head, and merged into a standalone greedy-CTC recognizer.

[!NOTE] Gravel is granite broken into smaller pieces. This model is the 440M encoder chipped out of IBM's 2B+ ibm-granite/granite-speech-4.1-2b-nar plus a small CTC head. It is not an IBM release, it is a derivative of the granite model.

What it is

  • Encoder: the granite_speech conformer encoder from ibm-granite/granite-speech-4.1-2b-nar instantiated from transformers.models.granite_speech classes, weights extracted, then LoRA-adapted (r=16 on attention + macaron-FFN linears) and merged.
  • Head: a new BPE-256 head (257 with blank) behind a 50→25 Hz average-pool-initialized depthwise downsample.
  • Frontend: log-mel (n_fft 512, win 400, hop 160, 80 mels) → Whisper-style per-utterance norm → 2-frame stack (160-dim @ 50 Hz), computed inside the model — feed raw 16 kHz PCM.

How it was made

  1. Extract the encoder weights + config from ibm-granite/granite-speech-4.1-2b-nar.
  2. Attach the 50→25 Hz downsample + new BPE-256 CTC head (the vocab is a 256-piece BPE)
  3. Train with CTC + an emission penalty (a from-scratch BPE-256 head blank-collapses without it) on a large English mix, backbone frozen, {LoRA, downsample, head} trainable.
  4. Merge LoRA → this standalone checkpoint.

It is used as the knowledge-distillation teacher for FUTO's streaming ASR models.

Usage

import torch, torchaudio
from transformers import AutoModel

model = AutoModel.from_pretrained("futo-org/gravel-ctc-440m", trust_remote_code=True).eval()

wav, sr = torchaudio.load("speech.wav")           # any mono/stereo file
wav = torchaudio.functional.resample(wav.mean(0), sr, 16000)
print(model.transcribe(wav))                       # greedy CTC text

Or via pipeline:

from transformers import pipeline
asr = pipeline("automatic-speech-recognition", model="futo-org/gravel-ctc-440m",
               trust_remote_code=True)
print(asr("speech.wav")["text"])

Lineage & license

Derived from ibm-granite/granite-speech-4.1-2b-nar (Apache-2.0, IBM).

Modifications: encoder extraction, 50→25 Hz downsample, BPE-256 CTC head, LoRA finetune (merged).

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
GravelForCTC
Ревизия весов
7e152a2

0 моделей