/ Модель

Характеристики

Параметры
403 млн
Лицензия
CC BY 4.0
Архитектура
hubert · dense
Базовая модель
hubert-large-ls960-ft
Библиотека
transformers
Опубликована
20 авг 2026

hubert-large-german-v1

Распознавание речиАудио → текст3 профессии

Дообученная HuBERT Large распознаёт немецкую речь в фонемы IPA для оценки произношения.

23скачиваний за 30 дней0лайковвеса обновлены26 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

HuBERT Large German v1 — акустическая модель распознавания немецкой речи в последовательность фонем Международного фонетического алфавита (IPA), разработанная для системы оценки произношения PronunCheck. Это дообученная на немецкой части Multilingual LibriSpeech модель HuBERT Large с архитектурой CTC; размер опубликованной модели — 402,7 млн параметров. Она выдаёт 70 типов фонемных токенов, включая немецкие гласные и дифтонги, согласные и знаки ударения, и предназначена для оценки произношения методом Goodness of Pronunciation.

Модель подходит для фонемной транскрипции немецкой речи и оценки произношения в чистых аудиозаписях. На тестовой части Multilingual LibriSpeech указана ошибка PER около 28,4%, а на спонтанной речи Mozilla SPS 4.0 — около 35,6%. Модель обучалась на чистых аудиокнигах, поэтому хуже справляется с быстрой разговорной речью, реверберацией и записями с низкокачественных микрофонов. Лицензия — Creative Commons Attribution 4.0 (CC BY 4.0).

Сценарии применения

  • фонемная транскрипция немецкой речи в IPA
  • оценка немецкого произношения методом Goodness of Pronunciation
  • поиск ошибок произношения в учебных аудиозаписях
  • анализ произношения немецкой речи в аудиокнигах

Ограничения

На быстрой спонтанной речи, при реверберации и низком качестве микрофона точность снижается; модель обучалась преимущественно на чистых аудиокнигах. Для Mozilla SPS 4.0 указана ошибка PER около 35,6%.

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

🇩🇪 HuBERT Large German IPA Phoneme Model (v1 - Baseline)

This repository hosts HuBERT Large German v1, an acoustic phoneme recognition model fine-tuned to predict the International Phonetic Alphabet (IPA) for German pronunciation evaluation.

📌 Model Overview

  • Base Architecture: facebook/hubert-large-ls960-ft (315M parameters).
  • Task: Connectionist Temporal Classification (CTC) Phoneme Recognition for German speech.
  • Target Alphabet: 70 German IPA phoneme tokens (including vowels, diphthongs, consonants, stress markers ˈ, ˌ, and German umlauts ä, ö, ü, ß).
  • Objective: Serve as the baseline acoustic model for the PronunCheck pronunciation scoring system (Goodness of Pronunciation - GOP).

📚 Training Dataset

  • Source: Multilingual LibriSpeech (MLS) - German.
  • Size: approx. 20 GB of clean, studio-quality audiobook recordings (~160,000 utterances).
  • Audio Characteristics: Clean studio narration, single speakers per chapter, 16 kHz sampling rate, minimal background noise.
  • G2P Backend: Text labels were converted to German IPA using espeak-ng via phonemizer with German dialect flags (de).

⚙️ Training Setup & Hyperparameters

  • Hardware: 1x NVIDIA L4 GPU (24GB VRAM) on Google Cloud Platform (GCP).
  • Precision: Mixed Precision (fp16).
  • Batch Size: Per-device train batch size = 4, Gradient Accumulation = 4 (Effective batch size = 16).
  • Optimizer: AdamW (lr = 3e-5, linear warmup for 1,000 steps, linear decay).
  • Feature Extractor: Fixed 16 kHz CNN feature extractor (freeze_feature_encoder=True).
  • Training Time: ~36 hours for 3 epochs.

📊 Evaluation & Limitations

  • Clean Speech (MLS Test Split): PER ~28.4%.
  • Spontaneous Speech (Mozilla SPS Corpus 4.0): PER ~35.60% (Accuracy: 64.40%).
  • Known Limitations: Because v1 was trained purely on clean audiobook speech, its accuracy degrades noticeably when exposed to fast real-world speech, room reverberation, or low-grade microphones. (See v2 model for real-world robustness).

Quickstart Inference Code

import torch
import librosa
from transformers import Wav2Vec2Processor, HubertForCTC

# Load model and processor directly from Hugging Face
MODEL_ID = "q1805/hubert-large-german-v1"
processor = Wav2Vec2Processor.from_pretrained(MODEL_ID)
model = HubertForCTC.from_pretrained(MODEL_ID).eval()

# Load and resample audio
audio_path = "sample_german.wav"
speech, sr = librosa.load(audio_path, sr=16000)

# Inference
inputs = processor(speech, sampling_rate=16000, return_tensors="pt")
with torch.no_grad():
    logits = model(inputs.input_values).logits
    predicted_ids = torch.argmax(logits, dim=-1)
    ipa_output = processor.batch_decode(predicted_ids)[0]

print("Predicted IPA:", ipa_output)

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
HubertForCTC
Ревизия весов
1719296

0 моделей