/ Модель

Характеристики

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

conformer-landmark-detector-synthetic-pretrained

Классификация аудиоАудио → label3 профессии

Conformer-модель обнаруживает восемь типов акустических ориентиров в английской речи с покадровым шагом 10 мс.

11скачиваний 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 автора Mateo Camara для покадрового обнаружения акустических ориентиров в английской речи. По аудиосигналу она выдаёт вероятности для восьми типов ориентиров и фонового класса с шагом 10 мс; времена событий получают поиском пиков по классам.

Модель использует Conformer-энкодер из 12 блоков с 256-мерными представлениями и классификационной головой на 9 классов. На входе — логарифмическая мел-спектрограмма с 80 полосами, рассчитанная для аудио 16 кГц; всего около 18,3 млн параметров. Чекпойнт предварительно обучен на синтетических английских словах, затем дообучен на 1 839 вручную размеченных записях. На отложенной тестовой выборке автор сообщает Macro F1 0,784 при допуске 20 мс.

Модель предназначена для фонетического и фонологического анализа речи, включая локализацию переходов между звуками и смычек согласных. Она принимает аудио и выдаёт покадровые оценки классов. Лицензия — MIT. Результаты описаны для английской речи и указанной схемы разметки; пороги обнаружения настроены на валидационной выборке, а метрика зависит от допуска 20 мс.

Сценарии применения

  • поиск времён гласных и сонорных пиков в речи
  • обнаружение переходов между гласными и согласными
  • локализация смычек и других акустических событий согласных
  • автоматическая разметка речевых сигналов для фонетических исследований

Ограничения

Оценка качества приведена для английской речи и конкретной схемы акустических ориентиров; перенос на другие языки и условия записи не подтверждён. F1 рассчитана с допуском 20 мс, поэтому точность времени обнаружения зависит от выбранного критерия и порогов классов.

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 (synthetic pretraining)

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 synthetic-pretrained variant: first pretrained on ~265k synthetic English words with automatically-detected landmarks (all-words-in-english-with-pink-trombone and vtl-speech-landmarks), then fine-tuned on the real manually-annotated corpus (1,839 recordings). The base variant without pretraining is available at conformer-landmark-detector. The pretraining-only checkpoint (before fine-tuning) is included under pretrain_only/.

Landmark types

TypeDescriptionPrecisionRecallF1@20msThreshold
VVowel — peak of vowel/sonorant0.5050.4400.4700.50
GGlide — vowel/consonant transition0.7430.6470.6920.75
ScStop closure0.8030.8870.8430.10
SrStop release burst0.8540.8860.8700.40
FcFricative closure (frication onset)0.8370.8090.8230.35
FrFricative release (frication offset)0.9320.9110.9210.10
NcNasal closure (murmur onset)0.8400.9550.8940.60
NrNasal release (murmur offset)0.7860.7330.7590.60

Macro F1 @ 20 ms tolerance (held-out test set): 0.784

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-synthetic-pretrained

Or programmatically:

from src.utils.hub import load_landmark_model

model, config, thresholds = load_landmark_model("mcamara/conformer-landmark-detector-synthetic-pretrained", 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
  • pretrain_only/model.safetensors — checkpoint after synthetic pretraining, before fine-tuning

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
ef55e33

0 моделей