Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Опубликована: 27 июл 2026

Ссылки

fdt-disfluency-distilbert-66m-v3

Разметка токеновТекст → label6 профессий

Теггер на базе DistilBERT очищает транскрипты разговорной речи от слов-паразитов, повторов и речевых сбоев, сохраняя остальной текст.

10скачиваний за 30 дней0лайковвеса обновлены27 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 stillerman/fdt-disfluency-distilbert-66m-v3 — теггер для очистки расшифровок разговорной речи от запинок, разработанный в рамках проекта FluencyAI. Она присваивает каждому слову один из тегов KEEP, DELETE, KEEP_STRIP_COMMA или KEEP_CAPITALIZE, после чего простая процедура реконструкции собирает очищенный текст. Модель основана на DistilBERT base cased и содержит 65,2 млн параметров; контекст — до 512 токенов.

Модель предназначена для обработки потоковых и готовых транскриптов: удаления слов-паразитов, повторов и других речевых сбоев с сохранением исходных формулировок, имён и чисел. В README приведены exact-match 0,9787 и DELETE-F1 0,9952; для браузерного запуска доступен квантованный int8 ONNX-вариант для transformers.js, с указанной скоростью около 10–50 мс на высказывание. Лицензия репозитория — Apache-2.0, однако обучение частично использовало DailyDialog с лицензией CC BY-NC-SA; автор рекомендует считать модель исследовательским артефактом и не применять её для коммерческого развёртывания без дополнительной проверки прав.

Сценарии применения

удаление слов-паразитов из расшифровки разговора
очистка транскриптов от повторов и запинок
постобработка субтитров и стенограмм живой речи

Ограничения

Модель только удаляет или форматирует отдельные токены и не перефразирует текст; точность может зависеть от распределения речевых сбоев в данных. Из-за использования DailyDialog с лицензией CC BY-NC-SA автор не рекомендует коммерческое развёртывание без отдельной проверки условий.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.7Универсальные способностиРечь, диалоги и встречиAI помогает понимать разговорную речь, поддерживать диалог и превращать встречи в структурированные результаты.17 задач26 923модели I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

stillerman/fdt-disfluency-distilbert-66m-v3

Disfluency deletion tagger for live speech transcripts: tags every whitespace word KEEP / DELETE / KEEP_STRIP_COMMA / KEEP_CAPITALIZE, then a ~15-line reconstruction turns tags into cleaned text. Deletion-only by construction — it cannot rephrase, hallucinate, or alter names and numbers.

Architecture: distilbert-base-cased (65.2M params), v3 data mix (quotative like, discourse fillers, position-balanced repetition, complex repairs)
Val metrics: exact-match 0.9787, DELETE-F1 0.9952
Training data: synthetic disfluency injection over conversational corpora — see stillerman/fdt-disfluency-synthetic
onnx/model_quantized.onnx (int8) is ready for transformers.js (device: "webgpu", dtype: "q8"); runs at ~10–50 ms per utterance in-browser.
⚠️ Trained partly on DailyDialog (CC BY-NC-SA): treat as research artifact, not for commercial deployment as-is.

Trained on a DGX Spark as part of the FluencyAI digital-twin project.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модель выложена для браузера (ONNX / transformers.js).

Класс архитектуры: DistilBertForTokenClassification
Ревизия весов: 0f1403e