/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
3,8 млрд
Размер весов
22,3 ГБ
Архитектура
phi4mm · dense
Базовая модель
Phi-4-multimodal-instruct
Библиотека
transformers
Опубликована
5 мар 2025

Phi-4-multimodal-instruct-ko-asr

Генерация текстаТекст → текст4 профессии

Дообученная версия Phi-4-multimodal-instruct для распознавания корейской речи и преобразования её в текст.

22скачиваний за 30 дней5лайковвеса обновлены4 апр 2025

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

junnei дообучил мультимодальную модель Microsoft Phi-4-multimodal-instruct для распознавания корейской речи. Модель содержит 3,8 млрд параметров, использует архитектуру Phi4MMForCausalLM и доступна в формате safetensors. Для обучения применялись наборы Bingsu/zeroth-korean и Google FLEURS; README также описывает продолжение обучения на CoVoST2-Ko для перевода речи, но основная задача этой версии — распознавание речи.

Модель предназначена для преобразования корейской речи в текст. В README приведена оценка CER на тестовом наборе zeroth-test из 457 примеров и сравнение с другими моделями; автор сообщает о заметном улучшении распознавания относительно указанных вариантов Phi-4. Ограничение контекста составляет 4096 токенов. Лицензия в предоставленных данных не указана.

Сценарии применения

  • транскрибация корейской речи
  • распознавание корейской речи в аудиозаписях
  • создание текстовых субтитров для корейской речи

Ограничения

Оценка распознавания в README проведена на тестовой выборке zeroth-test из 457 примеров, поэтому приведённые результаты не характеризуют все условия использования. Лицензия не установлена по предоставленным данным.

Для каких профессий подходит4

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

This model is fine-tuned from microsoft/Phi-4-multimodal-instruct on Bingsu/zeroth-korean, google/flerus in 5 epochs.

This model is trained 960 steps on datasets for Korean Audio Speech Recognition on H100.

After that, we continue training with CoVoST2 Dataset / CoVoST2-Ko for AST.

AST Finetuned model is Here : Phi-4-multimodal-instruct-ko-speech

Evaluation

Evaluation was done on the following datasets:

  • ASR (Automatic Speech Recognition): Evaluated with CER (Character Error Rate) on zeroth-test set (457 samples).
  • AST (Automatic Speech Translation): Evaluated with BLEU score on fleurs ko <-> en speech translation result (270 samples).

Script is retrieved from here.

Compared to Phi-4-mm-inst-zeroth-kor and Phi-4-multimodal-finetune-ko-speech, ASR is significantly improved.

Modelzeroth-CERzeroth-WERfleurs-ko_en-BLEUfleurs-ko_en-cot-BLEUfleurs-en_ko-BLEUfleurs-en_ko-cot-BLEU
original198.32-5.632.426.864.17
daekeun-ml/Phi-4-multimodal-finetune-ko-speech1.613.547.678.3812.319.69
seastar105/Phi-4-mm-inst-zeroth-kor7.02-7.079.1913.089.35
ASR finetune(this model)1.312.957.466.2412.158.91
+ 1 epoch finetune with Covost-Ko3.88-8.0710.0918.8215.41
AST finetuned model1.772.998.019.0917.0911.82

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

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

Класс архитектуры
Phi4MMForCausalLM
Ревизия весов
ddf89f4

0 моделей