/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-large-xlsr-53-arabic
Опубликована
1 авг 2026

wav2vec2-arabic-letter-verifier

Классификация текстаТекст → label3 профессии

Классификатор арабских букв в коротких аудиозаписях, который проверяет произношение с учётом класса «Unknown» и порога уверенности.

29скачиваний за 30 дней0лайковвеса обновлены1 авг 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

Модель masumtechnonext/wav2vec2-arabic-letter-verifier разработана Masum Techno Next как классификатор произношения отдельных букв арабского алфавита. Это дообученная wav2vec2-large-xlsr-53-arabic с 402,7 млн параметров: CTC-голова заменена классификационной, а экстрактор признаков заморожен. Модель принимает аудиоклип и относит его к одной из 28 букв либо к дополнительному классу «Unknown», предназначенному для тишины, шума и посторонних или неоднозначных записей.

Для проверки заданной буквы модель сравнивает предсказанный класс с целевой буквой и применяет откалиброванный порог уверенности: при низкой уверенности запись считается нераспознанной, а не принудительно приписывается к одному из буквенных классов. Обучение включало SpecAugment и сглаживание меток; модель обучена на наборе masumtechnonext/test-data-set-Arabic-letter. Лицензия — Apache-2.0.

Разбиение данных выполнено по клипам, а не по дикторам, поскольку идентификаторы дикторов отсутствуют. Если записи одного диктора попали и в обучение, и в тестовую выборку, тестовая точность может быть выше качества на новых дикторах или микрофонах; перед внедрением рекомендуется проверка на собственных записях с отдельными дикторами.

Сценарии применения

  • проверка произношения отдельной арабской буквы
  • автоматическая обратная связь при изучении арабского алфавита
  • распознавание арабской буквы в коротком аудиоклипе
  • отклонение шума, тишины и посторонней речи при проверке буквы

Ограничения

Данные разделены по аудиоклипам, а не по дикторам, поэтому качество на новых дикторах и микрофонах может быть ниже результатов тестирования. Порог уверенности требует проверки на целевых записях перед внедрением.

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

Arabic Isolated-Letter Pronunciation Verifier

Fine-tuned wav2vec2-large-xlsr-53-arabic for verifying whether a spoken clip matches one of the 28 Arabic alphabet letters, trained on masumtechnonext/test-data-set-Arabic-letter.

Why this exists

A plain 28-way classifier always has to pick some letter, even for audio that isn't any of the 28 letters at all (e.g. a name, noise, silence) or is a confusable near-miss (seen/sheen, dal/dhal, ta/taa/tha, ...). That gives false "correct" verdicts. This model adds:

  1. A 29th trained "Unknown" class (silence, noise, time-reversed clips, cross-letter mixup) so out-of-vocabulary audio has somewhere to go instead of being forced into a real letter.
  2. A calibrated confidence threshold (see calibration.json, confidence_threshold) — even if the model picks a real letter, the prediction is only reported as "correct" when max softmax probability clears the threshold. Below it, report "not recognized" rather than a guess.

Usage

from inference import LetterVerifier
import soundfile as sf

verifier = LetterVerifier("masumtechnonext/wav2vec2-arabic-letter-verifier")
audio, sr = sf.read("clip.wav", dtype="float32")  # 16kHz mono
result = verifier.predict(audio, sr, target_letter="Sheen")
print(result)  # {"predicted_label": ..., "confidence": ..., "accepted": ..., "is_correct": ...}

See inference.py in this repo for the full wrapper (handles the Unknown-class + threshold rejection logic).

Training

  • Backbone: jonatasgrosman/wav2vec2-large-xlsr-53-arabic (encoder only; CTC head replaced with a classification head), feature encoder frozen.
  • 29 classes: 28 letters + Unknown.
  • SpecAugment (time/feature masking), label smoothing 0.1.
  • Model selection by macro-F1 on a held-out validation split.
  • See test_confusion_matrix.csv for per-letter confusions on the held-out test split, and calibration.json for the threshold calibration sweep.

Known limitation

The source recordings have no speaker ID, so train/validation/test are split by clip (stratified per letter, not per speaker). If the same speaker appears in both train and test, held-out accuracy may be optimistic relative to a genuinely new speaker/microphone. Validate on your own held-out speakers before deploying.

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Нельзя запустить

Для архитектуры wav2vec2 нет загрузчика под задачу text-classification.

Класс архитектуры
Wav2Vec2ForSequenceClassification
Ревизия весов
71ae0a4

0 моделей