/ Модель

Характеристики

Лицензия
MIT
Архитектура
single · dense
Библиотека
pytorch
Опубликована
26 авг 2026

conformer-landmark-detector

Классификация аудиоАудио → label3 профессии

Модель Conformer обнаруживает и размечает по времени акустические ориентиры в английской речи для фонетического и речевого анализа.

15скачиваний за 30 дней0лайковвеса обновлены26 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

Conformer Acoustic Landmark Detector — модель Mateo Camara для покадрового обнаружения акустических ориентиров, связанных с артикуляционными жестами, в речевом аудио. Для каждого кадра она выдаёт вероятности восьми типов ориентиров и фонового класса; времена событий извлекаются поиском пиков по каждому классу.

Модель использует энкодер Conformer из 12 блоков с размерностью 256, четырьмя головами внимания и свёрткой с ядром 31. На вход подаются логарифмические мел-спектрограммы с 80 полосами, рассчитанные для аудио 16 кГц с окном 25 мс и шагом 10 мс; всего около 18,3 млн параметров. Базовый вариант обучен на 1 839 вручную размеченных записях английских слогов и слов от трёх дикторов. На отложенной тестовой выборке макро F1 при допуске 20 мс составляет 0,789.

Модель предназначена для фонетического и речевого анализа, в том числе для локализации артикуляционно значимых событий во времени. Лицензия — MIT. Результаты подтверждены на ограниченном корпусе английской речи от трёх дикторов; перенос на другие языки, акустические условия и типы речи карточка не оценивает.

Сценарии применения

  • поиск временных границ гласных и сонорных в речевой записи
  • обнаружение смычек и переходов между звуками
  • извлечение временных меток фонетических событий из аудио
  • анализ артикуляционных жестов в английской речи

Ограничения

Обучена на ограниченном корпусе из 1 839 записей трёх дикторов; качество на других языках, дикторах и акустических условиях не установлено. Метрики приведены для тестовой выборки с допуском по времени 20 мс.

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

Conformer Acoustic Landmark Detector

Frame-level detector of acoustic landmarks (Stevens, 2002) in speech audio: abrupt acoustic events tied to articulatory gestures. Given a waveform, the model outputs per-frame probabilities (10 ms resolution) for 8 landmark types plus background, from which landmark times are extracted by per-class peak picking.

This is the base variant, trained only on the real manually-annotated corpus (1,839 recordings: 678 VCV syllables + 1,161 English words, 3 speakers). A variant pretrained on ~265k synthetic words is available at conformer-landmark-detector-synthetic-pretrained.

Landmark types

TypeDescriptionPrecisionRecallF1@20msThreshold
VVowel — peak of vowel/sonorant0.5450.5320.5380.45
GGlide — vowel/consonant transition0.7430.6470.6920.75
ScStop closure0.8260.8490.8370.30
SrStop release burst0.8490.8540.8520.40
FcFricative closure (frication onset)0.8330.7870.8090.55
FrFricative release (frication offset)0.8670.8670.8670.50
NcNasal closure (murmur onset)0.8240.9550.8840.65
NrNasal release (murmur offset)0.8260.8440.8350.70

Macro F1 @ 20 ms tolerance (held-out test set): 0.789

Precision/recall/F1 are landmark-level at ±20 ms tolerance on a held-out test split (10%, speaker-stratified). Detection thresholds were tuned per class on a separate validation split (10%) — the test set was never used for model selection or threshold tuning.

Architecture

Conformer encoder (12 blocks, d_model 256, 4 heads, FF 1024, conv kernel 31) over 80-band log-mel spectrograms (16 kHz, 25 ms window, 10 ms hop), with a linear classification head over 9 classes. ~18.3M parameters. Trained with Gaussian soft labels (per-class σ: V 20 ms, G 15 ms, Fc/Fr 12 ms, Sc/Sr/Nc/Nr 10 ms), class-weighted cross-entropy and label smoothing 0.1.

Usage

With the training repository (MateoCamara/conformer-landmark-detector):

pip install -r requirements.txt
python scripts/predict.py --audio path/to/audio.wav --checkpoint mcamara/conformer-landmark-detector

Or programmatically:

from src.utils.hub import load_landmark_model

model, config, thresholds = load_landmark_model("mcamara/conformer-landmark-detector", device="cuda")
# model: LandmarkClassifier over (batch, frames, 80) log-mel features
# config: mel front-end + label map + sigmas; thresholds: per-class operating points

The output JSON of predict.py contains {type, time_ms, confidence} entries.

Files

  • model.safetensors — model weights
  • config.json — architecture, mel front-end, label map, soft-label sigmas
  • thresholds.json — per-class detection thresholds tuned on validation

Citation

@inproceedings{camara2026conformer-landmarks,
  title={Conformer-based Acoustic Landmark Detection},
  author={C\'amara, Mateo},
  booktitle={Interspeech},
  year={2026}
}

References

  • Stevens, K. N. (2002). Toward a model for lexical access based on acoustic landmarks and distinctive features. JASA, 111(4), 1872-1891.
  • Gulati, A., et al. (2020). Conformer: Convolution-augmented Transformer for Speech Recognition. Interspeech 2020.

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch · audio-classification

Нельзя запустить

Архитектура single неизвестна transformers в образе рантайма.

Ревизия весов
91e4af3

0 моделей