/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
distilbert · dense
Базовая модель
distilbert-base-uncased
Опубликована
26 июн 2026

text2tobi

Разметка токеновТекст → label3 профессии

Модель на основе DistilBERT размечает границы интонационных единиц, направление интонации и силу просодических границ по тексту транскрипта без аудио.

45скачиваний за 30 дней2лайкавеса обновлены20 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

text2tobi — libri+peoples+sbc — модель для разметки просодии ToBI по тексту без аудио на этапе вывода. Она построена на DistilBERT и дообучена на корпусах LibriTTS, People's Speech и SBCSAE; метаданные указывают около 66 млн параметров и контекст до 512 токенов. На вход подаются слова в нижнем регистре. Модель отмечает границы интонационных единиц, предсказывает направление интонации на граничных словах — восходящее, нисходящее или ровное — и силу границы: промежуточную или полную.

Модель предназначена для автоматической просодической разметки транскрибированной речи и анализа интонационной структуры. В описанных экспериментах она показала F1 0,8352 для границ на отложенной выборке SBCSAE и превзошла указанный в README текстовый базовый уровень GPT-Neo 1.2B. Оценка F1 для силы границ получена на другом корпусе и обозначена авторами как экспериментальная.

Обучение использовало как золотые разметки SBCSAE, так и серебряные метки из LibriTTS и People's Speech, сформированные по согласованию двух систем. Интонационные метки предсказываются только для слов на границах. Покрытие ограничено чтением вслух и разговорной речью; перенос на телефонные записи, шумную речь и речь неносителей языка не проверялся. Для очень длинного текста обработка может делить вход на фрагменты по 100 слов, что способно повлиять на предсказания около разрывов. Лицензия — Apache-2.0.

Сценарии применения

  • разметка границ интонационных фраз в транскриптах
  • определение восходящей и нисходящей интонации на концах фраз
  • оценка силы просодических границ в текстах речи
  • подготовка просодической разметки ToBI для лингвистического анализа

Ограничения

Интонация предсказывается только для слов на границах. Обобщение на телефонную и шумную речь, а также на речь неносителей английского языка не проверялось; разбиение длинного текста на фрагменты по 100 слов может ухудшать предсказания у границ фрагментов.

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

text2tobi — libri+peoples+sbc

ToBI prosodic annotation from text alone. No audio required at inference time.

Given a stream of lowercased words, this model predicts:

  • Intonation unit boundaries — where a prosodic phrase ends
  • Intonation direction at each boundary — rising (H%), falling (L%), or level (!H%)
  • Break index strength at each boundary — intermediate (3) or full (4)

This is the libri+peoples+sbc checkpoint: the best-performing configuration from the Text2ToBI experiments, trained on LibriTTS + People's Speech + SBCSAE with boundary loss weight 2.0, no POS injection, punctuation stripped.


Usage

The recommended way to use this model is via the text2tobi CLI:

pip install torch transformers huggingface_hub
git clone https://github.com/Howell-Prosody-Lab/Text2ToBI
cd text2tobi
python -m text2tobi download
python -m text2tobi "the students filed into the lecture hall"

Example output (default table format):

word        boundary    intonation    break_index
the         -           -             -
students    -           -             -
filed       -           -             -
into        -           -             -
the         -           -             -
lecture     -           -             -
hall        B           L%            4

Pass --raw for inline annotations or --ssml for SSML XML output.

Loading directly

If you want to load the model without the CLI, include model.py from this repo in your working directory:

from model import ProsodyBoundaryModel
from transformers import AutoTokenizer

model = ProsodyBoundaryModel.from_pretrained("primsune/text2tobi")
tokenizer = AutoTokenizer.from_pretrained("primsune/text2tobi")
model.eval()

The model returns a dict of logits keyed boundary_logits, intonation_logits, and break_idx_logits.


Performance

Evaluated on SBC001–005 (held-out test set, never seen during training). This is the only configuration directly comparable to the GPT-Neo text-only baseline from Roll et al. (2023).

ModelBoundary F1Intonation F1Break Index F1
text2tobi libri+peoples+sbc BLW=2.00.83520.57650.6018†
GPT-Neo 1.2B (Roll et al., 2023)0.770——
Random (distribution-matched)0.257——

†Break index F1 is evaluated on BU Radio News Corpus gold .brk annotations (not the SBC test set, which has no break index labels). Treat as experimental.

text2tobi surpasses the GPT-Neo baseline by 6.5 points while being approximately 18× smaller (~66M vs ~1.2B parameters), and without access to punctuation or capitalization — input is lowercased words only.


Training data

CorpusAnnotationRole
LibriTTSSilver (PSST + Wav2ToBI consensus)Boundary + intonation
People's SpeechSilver (PSST + Wav2ToBI consensus)Boundary + intonation
SBCSAEGold (Du Bois transcripts)Boundary + intonation
BU Radio NewsGold (.brk files)Break index evaluation only

Silver-standard boundary and intonation labels were generated by cross-validating PSST (NathanRoll/psst-medium-en) against Wav2ToBI (ReginaZ/Wav2ToBI-PB-Fuzzy). Positions where the two systems disagreed were masked from training. 87.3% of utterance-final words received Wav2ToBI corroboration within ±1 word.

SBCSAE data is included under explicit written permission from corpus director John W. Du Bois (June 2026) for unrestricted public distribution of derived model weights.


Known limitations

  • Intonation labels apply to boundary words only. Non-boundary intonation is not modeled.
  • Register coverage is read speech (LibriTTS, People's Speech) and conversational speech (SBCSAE). Generalization to telephony, noisy environments, or non-native speakers has not been tested.
  • Chunking fallback: for unpunctuated input, the inference pipeline splits at a 100-token word boundary when no sentence boundary is detected. This is not linguistically motivated and may affect predictions near split points.

License

Apache 2.0. See LICENSE.

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
ProsodyBoundaryModel
Ревизия весов
e0f53e0

0 моделей