/ Модель

Характеристики

Лицензия
GPL 2.0
Архитектура
whipstr · dense
Опубликована
6 июл 2026

ipa-whipstr-base-48khz-cv-21

Распознавание речиАудио → текст3 профессии

Многоязычная трансформерная модель Neurlang для преобразования речи из аудио в фонетическую транскрипцию IPA.

18скачиваний за 30 дней2лайкавеса обновлены7 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

Neurlang Whipstr STT — модель автоматического распознавания речи от Neurlang, преобразующая аудио в текстовую транскрипцию в Международном фонетическом алфавите (IPA). Это трансформерная модель типа sequence-to-sequence семейства Whipstr, обученная на данных Common Voice 21. В версии для аудио 48 кГц около 14,8 млн параметров; она поддерживает 74 и более языков и принимает аудио с частотами 8, 16, 24, 32 и 48 кГц. Для частот 11,025, 22,05 и 44,1 кГц заявлено снижение качества.

Модель предназначена для фонетической транскрипции речи, в том числе многоязычных записей. В README приведены усреднённые по языкам CER 48,68% и WER 92,58%; автор отмечает, что результаты лучше для языков с большим объёмом обучающих данных. Поэтому модель может быть полезна для экспериментов и задач, где важна запись произношения в IPA, но приведённые метрики указывают на существенные ошибки при обычной транскрипции. Лицензия — GPL-2.0.

Сценарии применения

  • фонетическая транскрипция речи в IPA
  • получение IPA-транскрипций из аудиозаписей
  • эксперименты с многоязычным распознаванием речи
  • анализ произношения в записях Common Voice

Ограничения

В README указаны усреднённые CER 48,68% и WER 92,58%, поэтому транскрипции могут содержать много ошибок; качество выше для языков с большими объёмами данных. На частотах аудио 11,025, 22,05 и 44,1 кГц ожидается снижение качества.

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

Neurlang Whipstr STT (ASR)

A deep learning automatic speech recognition (ASR) system for transcribing speech audio into IPA text using transformer-based sequence-to-sequence models.

  • Language: Universal (IPA), 74+ languages
  • Model Github: neurlang/whipstr https://github.com/neurlang/whipstr
  • Model Dataset: Common Voice 21
  • Model-Native Sample Rates: 8000 Hz, 16000 Hz, 24000 Hz, 32000 Hz, 48000 Hz
  • Degraded-Performance Sample Rates: 11025 Hz, 22050 Hz, 44100 Hz
  • License: GPL v2
  • Release: 2026-07-07
  • Size: 186 MB
  • Total parameters:
    • Encoder: 7 220 576
    • Transformer: 7 537 184
    • Total: 14 757 760
  • CER: 48.68% (51.32% success rate)
    • Note: Averaged across all supported languages, works better on higher resource languages
  • WER: 92.58% (7.42% success rate)
    • Note: Averaged across all supported languages, works better on higher resource languages
  • Training Details:
    • Hardware: Nvidia Spark
    • Batch size: 1
    • Samples: 960000
    • Duration: 1:11:10:00
    • Runs: Jul 5 14:58 - Jul 5 17:45, Jul 5 22:41 - Jul 6 04:38, Jul 6 04:46 - Jul 7 07:12 (shut down at Jul 7 07:36)

Inference code

git clone https://github.com/neurlang/whipstr.git
cd whipstr/
uv run --with torch --with transformers --with phase-spectrogram stt_infer_hf.py --audio /home/m/Downloads/LJ001-0001.wav --model neurlang/ipa-whipstr-base-48khz-cv-21

Output:

Loading weights: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 139/139 [00:00<00:00, 13371.75it/s]
Transcription: ˈɪt ˈæt juː pˈæst ðə kˈɔldz tˈɑɹk fˈeɪs vˈæst ðə ɹˈɛpɪtʃən lˈupənəl ˈi ˈæz bɪhˈeɪviɚ wˈi sˈɑloʊks lˈɛkəmˌɑɹəl hˈæn jˈæt lˈɚnd bˈeɪsɪks sˈɛktɪs ˈækmɪkmɪkəɹɪkənɪkəksɪksɪksɪksɪksɪksɪksɪksɪkstəkstəksɪksɪk

Explaination:

IPAGround truthComment
ˈɪtItExact match.
ˈæt juːgets you/ɡɛts/ was apparently lost, leaving something like "at you."
pˈæstpastGood match.
ðətheExact.
kˈɔldzcold-Reasonable; final /z/ is likely a transcription artifact.
tˈɑɹkstartThe /s/ was dropped and /st/ became /k/, a common recognition error in noisy speech.
fˈeɪsphaseVery close.
vˈæstfast/f/→/v/ substitution.
ðəTheExact.
ɹˈɛpɪtʃənrepetitionClearly recognizable.
lˈupənəlloop / no-EOSThis portion collapsed badly; "loop no-EOS" became something like "lupənəl."
ˈi ˈæzbehavior (beginning omitted)The start of "behavior" appears to have shifted.
bɪhˈeɪviɚbehaviorExcellent match.
wˈiweExact.
sˈɑloʊkssaw looksThis is actually close to "saw looks," with the pause removed.
lˈɛkəmˌɑɹəllike the modelQuite distorted, but you can hear the rough rhythm.
hˈænhadn'tThe final /t/ and /d/ were lost.
jˈætyetVery close.
lˈɚndlearnedExact.
bˈeɪsɪksbasicEssentially correct.
sˈɛktɪsseq2seqThis was the biggest failure—only the initial /sɛk/ of "seq2seq" survived, while
loopsmechanics"mechanics" disappeared entirely.

End of training data:

Step 960000 is chosen as this release

StepWERCER
94300094.21%49.58%
94400093.16%49.96%
94500094.09%50.22%
94600095.25%50.32%
94700096.18%50.30%
94800093.97%50.78%
94900092.93%49.63%
95000094.55%50.84%
95100094.90%50.11%
95200092.35%49.85%
95300093.74%49.08%
95400093.74%49.80%
95500092.70%49.87%
95600094.32%50.37%
95700094.21%48.90%
95800093.40%50.08%
95900092.82%50.20%
96000092.58%48.68%
96100095.13%50.32%
96200092.93%49.56%
96300094.21%50.84%
96400095.48%50.44%
96500094.32%50.39%
96600093.05%50.72%
96700093.97%51.04%
96800091.19%49.94%
96900095.60%50.82%
97000096.52%50.16%
97100092.82%51.22%

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура whipstr неизвестна transformers в образе рантайма.

Класс архитектуры
WhipstrForConditionalGeneration
Ревизия весов
387ccac

0 моделей