/ Модель

Характеристики

Лицензия
CC0 1.0
Базовая модель
wav2vec2-large-xlsr-53
Опубликована
4 ноя 2023

Wav2Vec2_CommonPhone

Распознавание речиАудио → текст3 профессии

Мультиязычная модель на базе Wav2Vec2, преобразующая речь в последовательность символов IPA для фонетического анализа, в том числе патологической речи.

204скачиваний за 30 дней5лайковвеса обновлены29 окт 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

Wav2Vec2 CommonPhone — мультиязычная модель распознавания фонем, разработанная Филиппом Клумппом для анализа патологической речи. Она дообучена на базе facebook/wav2vec2-large-xlsr-53 на корпусе Common Phone, включающем записи более 11 000 говорящих из Mozilla Common Voice.

Модель принимает аудио с частотой дискретизации 16 кГц и с помощью CTC-проекции предсказывает последовательность из 101 символа Международного фонетического алфавита (IPA). Она предназначена для фонетического анализа речи на английском, французском, немецком, итальянском, русском и испанском языках. В тестах указана частота ошибок распознавания фонем 11,0% для английского, 9,9% для французского и 9,8% для немецкого.

Модель распространяется по лицензии CC0 1.0. Она выдаёт фонемную транскрипцию, а не обычный текст; приведённые результаты тестирования охватывают только три языка, и карточка не приводит оценки для остальных языков.

Сценарии применения

  • фонемная транскрипция речи в IPA
  • фонетический анализ патологической речи
  • сравнение произношения на разных языках
  • исследование ошибок распознавания фонем

Ограничения

Модель выдаёт фонемы IPA, а не словесную транскрипцию. В карточке приведены метрики только для английского, французского и немецкого языков.

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

Model Card for Wav2Vec2 Large with Common Phone

This is a multilingual phone recognition model optimized with the Common Phone dataset. It was created in the scope of the PhD thesis Phonetic Transfer Learning from Healthy References for the Analysis of Pathological Speech by Philipp Klumpp to analyze pathological speech signals.

Find the Source Code to use this model on GITHUB.

To cite this work, please use the following BibTex snippet:

@phdthesis{klumpp2024phdthesis,
  author  = "Philipp Klumpp",
  title   = "Phonetic Transfer Learning from Healthy References for the Analysis of Pathological Speech",
  school  = "Friedrich-Alexander-Universit{\"a}t Erlangen-N{\"u}rnberg",
  address = "Erlangen, Germany",
  year    = 2024,
  month   = may
}

Model Details

Wav2Vec2 model with linear projection to CTC blank token + 101 phone symbols from the International Phonetic Alphabet (IPA). The model uses 16 kHz audio to predict the most probable sequence of uttered IPA phones.

Model Description

This model was created to analyze pathological speech signals. It was optimized with Common Phone, a multilingual corpus for robust acoustic modelling. It comprises more than 11.000 speakers which were carefully selected from Mozilla's Common Voice dataset. Results in terms of phone error rate (PER) in percent:

LanguageTest PER
English11.0
French9.9
German9.8
Italian9.1
Russian6.6
Spanish8.8
Average9.2

Model Sources [optional]

  • Repository: GitHub
  • Paper: The final print of the thesis will be linked here.

Contact

Philipp Klumpp

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура Wav2Vec2 неизвестна transformers в образе рантайма.

Класс архитектуры
Wav2Vec2
Ревизия весов
e856cb9

0 моделей