/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Опубликована
19 июл 2026

lrs3-lipreader-visual-only

Распознавание речиАудио → текст

Англоязычная модель на основе Auto-AVSR распознаёт речь по видеозаписи движения губ без использования аудио.

0скачиваний за 30 дней0лайковвеса обновлены19 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

Модель simonlesaumon/lrs3-lipreader-visual-only — англоязычная модель распознавания речи по движению губ на видео, разработанная на основе архитектуры Auto-AVSR и дообученная на обучающей части Ainncy/LRS3. Она принимает видеозаписи с видимой областью рта; аудио для распознавания не используется. Для подготовки входа README описывает обнаружение лица с MediaPipe и выделение области рта, а модель построена на PyTorch и содержит 250 млн параметров.

Модель предназначена для исследований визуального распознавания речи и экспериментов с чтением по губам, в том числе на видеозаписях выступлений. Она обучалась на английской речи из TED/TEDx при преимущественно фронтальном ракурсе и стабильном освещении. Её качество ожидаемо ниже, чем у моделей, использующих аудио; результаты в реальных условиях могут быть существенно хуже. Модель не различает говорящих, а словарь ограничен обучающими данными. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое использование.

Сценарии применения

  • чтение по губам на англоязычных видеозаписях
  • исследование визуального распознавания речи
  • распознавание реплик в видеозаписях выступлений TED и TEDx

Ограничения

Обучена только на английской речи и преимущественно фронтальных лицах при стабильном освещении; качество в реальных условиях может быть значительно ниже. Не использует аудио, не различает говорящих и ограничена словарём обучающих данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

LRS3 Visual-Only Lip Reading Model

Visual-only English lip-reading model based on the Auto-AVSR architecture (commit 182b628), fine-tuned on the Ainncy/LRS3 trainval split.

Model Description

  • Architecture: End-to-end (E2E) visual-only speech recognition, 250M parameters
  • Modality: Video only (mouth ROI crops, no audio)
  • Frontend: MediaPipe face detection + mouth ROI cropping at 16-second segments
  • Training: 20 epochs on a single NVIDIA A100-SXM4-80GB, learning rate 0.001
  • Framework: PyTorch 2.5.1 + PyTorch Lightning 2.5.0
  • Checkpoint: model_avg_10.pth — average of the last 10 epoch checkpoints

Dataset

Trained on the supervised trainval split from Ainncy/LRS3:

  • Training samples: ~98% of trainval (lrs3_train_fit.csv)
  • Validation samples: ~2% of trainval (lrs3_train_val.csv)
  • Note: The official LRS3 test set is not distributed by Ainncy/LRS3. Validation metrics are computed on a deterministic held-out subset of trainval and should not be compared to published LRS3 test-set results.

Intended Use

This model is intended for research purposes only in visual speech recognition (lip reading). It does not use audio input and is designed to explore the limits of visual-only speech recognition.

Limitations

  • Visual-only: Performance is inherently lower than audio-visual or audio-only models.
  • English only: Trained solely on English speech from LRS3 (TED/TEDx talks).
  • Controlled environment: LRS3 consists of frontal-facing speakers with relatively stable lighting. Real-world performance will be significantly lower.
  • No speaker diarization: Cannot distinguish between multiple speakers.
  • Vocabulary constrained: Limited to vocabulary present in the training data.
  • Privacy & ethics: Lip-reading technology raises privacy concerns. This model should not be used for surveillance or non-consensual speech recognition.

Training Setup

Preprocessing was performed on Modal cloud GPUs using the pipeline in the accompanying repository:

  1. Mouth ROI detection with MediaPipe (CPU, 8 parallel shards)
  2. Video cropping to 16-second segments
  3. Training on 1× A100-80GB for 20 epochs (~4h40)

The raw MP4 video files, crops, and transcriptions are not included in this repository and must not be redistributed without explicit authorization from the dataset copyright holders.

Citation

@article{ma2023auto,
  title={Auto-AVSR: Audio-Visual Speech Recognition with Automatic Labels},
  author={Ma, Pingchuan and Haliassos, Alexandros and Fernandez-Lopez, Adriana
          and Chen, Honglie and Petridis, Stavros and Pantic, Maja},
  journal={arXiv preprint arXiv:2303.08807},
  year={2023}
}

License

This model is released under the Creative Commons Attribution-NonCommercial 4.0 International License (CC BY-NC 4.0), consistent with the LRS3 dataset terms. Commercial use is prohibited.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
870b5c5

0 моделей