/ Модель

Характеристики

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

hubert_large-german-IPA-v2

Распознавание речиАудио → текст3 профессии

Модель распознаёт немецкую речь и выдаёт её фонетическую транскрипцию в IPA для анализа произношения и аудио в разных акустических условиях.

61скачиваний 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

q1805 дообучила HuBERT Large для распознавания немецкой речи с выводом транскрипции в Международном фонетическом алфавите (IPA). Модель содержит 402,7 млн параметров, использует архитектуру HubertForCTC и принимает аудио; для работы применяется библиотека Transformers. В карточке указана лицензия CC BY-NC 4.0, которая не разрешает коммерческое использование.

Модель предназначена для фонетической транскрипции немецкой речи в разных акустических условиях: от студийных записей и аудиокниг до спонтанной речи, дебатов и записей с телефонов. В README приведены результаты оценки на нескольких наборах данных; ошибки на фонемном уровне остаются заметными, поэтому транскрипции могут требовать проверки. Показатели задержки зависят от оборудования и условий запуска.

Сценарии применения

  • получение IPA-транскрипции немецкой речи
  • оценка произношения немецких слов и фраз
  • анализ спонтанной немецкой речи с фоновым шумом
  • фонетическая разметка аудиозаписей немецких дебатов и интервью

Ограничения

В тестах README показатель PER составляет 21,86% на отложенной части обучающего набора и 33,81% на внешнем наборе спонтанной речи, поэтому возможны существенные ошибки в фонемной транскрипции. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

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 Scorer (v2)


Key Highlights & Performance

  • Comprehensive Multi-Domain Training: Scaled from clean audiobooks to diverse acoustic environments including parliamentary debates, crowd-sourced phone audio, and studio recordings.
  • Superior Accuracy: Reached an Evaluation Phoneme Error Rate (PER) of 22.28% (Accuracy > 77.7%) on unseen validation data, outperforming v1 across all acoustic categories.
  • Low Latency: Average inference latency of ~32 ms per utterance on NVIDIA L4 (Tensor Cores / FP16), enabling real-time scoring in production.

📚 Training Dataset Architecture (123 GB Mega Dataset)

The model was fine-tuned on a composite dataset q1805/german-pronuncheck-mega-dataset, combining three complementary sources:

  • 1.German Parliamentary Debates (Bundestag Corpus): Fast, spontaneous political discourse with natural room acoustics and public address microphones.
  • 2.Mozilla Common Voice (German v17): Thousands of diverse speakers recorded on consumer smartphones and PC headsets with varied regional German dialects.
  • 3.Multilingual LibriSpeech (MLS German): High-fidelity studio audiobook narrations.
  • Total Samples: 1,249,116 training utterances + 86,575 validation utterances.
  • Phonemizer: Converted to German IPA via espeak-ng using a fork-safe parallel pipeline (preserve_punctuation=False, with_stress=True).

⚙️ System-Level Engineering & Training Parameters

  • Compute Infrastructure: Google Cloud Platform (GCP) Compute Engine VM.
  • Accelerator: 1x NVIDIA L4 Tensor Core GPU (24 GB GDDR6 VRAM, Ada Lovelace architecture).
  • Host Resources: 4 vCPUs, 16 GB RAM, 500 GB High-Throughput NVMe SSD.
  • Total Training Time: 70 hours 25 minutes (73,050 total steps, 3 full epochs).

🛠️ Hardware & Memory Optimization Techniques:

  • Mixed Precision (fp16=True): Enabled NVIDIA L4 Tensor Cores, cutting memory by 50% and doubling matrix throughput.
  • Gradient Checkpointing (gradient_checkpointing=True): Mitigated memory spikes from long audio sequences ($O(N^2)$ attention matrices).
  • Multi-Worker I/O (dataloader_num_workers=4): Eliminated GPU starvation by asynchronously feeding audio arrays.
  • Effective Batch Size = 32: Configured via per_device_train_batch_size = 2 and gradient_accumulation_steps = 16.
  • Memory Defragmentation: PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True.
  • Learning Rate Policy: Linear warmup (1,000 steps) to 3e-5, followed by linear decay to 0.0.

📈 Comprehensive Benchmark Comparisons

1. Out-of-Domain Benchmark: Mozilla Common Voice Spontaneous Speech 4.0 (sps-corpus-4.0)

Evaluated on 100% of the completely unseen Mozilla Common Voice Spontaneous Speech 4.0 German dataset (natural speech with diverse accents and background noise):

Benchmark MetricModel_v1Model v2 (This repo)Improvement
Phoneme Error Rate (PER)35.60%33.81%-1.79% absolute error reduction 🎯
Phonetic Accuracy64.40%66.19%+1.79% 🚀
Mean Inference Latency18.75 ms32.58 msReal-time ready
P50 Latency (Median)18.62 ms33.71 msUltra-fast
P90 Latency19.30 ms35.03 msSmooth streaming
P99 Latency (Complex)23.14 ms41.44 msNo bottlenecks

2. Multi-Domain Benchmark: Mega Dataset 10% Held-Out Test Split (86,575 Utterances from q1805/german-pronuncheck-mega-dataset)

Evaluated on the independent 10% test split extracted from mega_dataset (comprising 86,575 utterances across Parliamentary debates, crowdsourced Mozilla audio, and MLS studio audio that neither model touched during training):

Evaluation MetricModel_v1Model_v2 (This repo)Improvement
Phoneme Error Rate (PER)32.51%21.86%-10.65% absolute error reduction 🎯
Phonetic Accuracy67.49%78.14%+10.65% 🚀
Mean Inference Latency20.15 ms19.97 msUltra-responsive
P50 Latency (Median)19.19 ms18.92 msReal-time ready
P90 Latency21.28 ms22.22 msSmooth streaming
P99 Latency (Complex)34.77 ms34.45 msNo bottlenecks

💻 Quickstart Inference Code

import torch
import librosa
from transformers import Wav2Vec2Processor, HubertForCTC
# Load production model and processor
REPO_ID = "q1805/hubert-german-IPA-large-v2"
processor = Wav2Vec2Processor.from_pretrained(REPO_ID)
model = HubertForCTC.from_pretrained(REPO_ID).eval()
# Load 16kHz audio
audio_path = "german_speech_sample.wav"
audio, sr = librosa.load(audio_path, sr=16000)
# Forward pass
inputs = processor(audio, sampling_rate=16000, return_tensors="pt")
with torch.no_grad():
    logits = model(inputs.input_values).logits
    predicted_ids = torch.argmax(logits, dim=-1)
    ipa_transcription = processor.batch_decode(predicted_ids)[0]
print("Predicted German IPA:", ipa_transcription)

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
7c7e88c

0 моделей