/ Модель

Характеристики

Параметры
403 млн
Лицензия
MIT
Архитектура
wav2vec2 · dense
Библиотека
transformers
Опубликована
27 июл 2026

see-my-voice-mandarin-phone-ctc

Распознавание речиАудио → текст3 профессии

Модель преобразует речь на мандаринском китайском в фонетические метки для обратной связи по произношению.

133скачиваний за 30 дней2лайкавеса обновлены27 июл 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

See My Voice Mandarin Phone CTC — модель распознавания речи, разработанная для приложения See My Voice. Она преобразует аудио на мандаринском китайском в последовательности из 67 фонетических меток: инициалей, финалей и тонов. Модель предназначена для сервиса обратной связи по произношению: предсказанные метки сравниваются с ожидаемыми для заданного предложения.

Модель построена на архитектуре wav2vec2 и имеет 402,7 млн параметров. Она дообучена на базе jonatasgrosman/wav2vec2-large-xlsr-53-chinese-zh-cn: акустический энкодер оставлен замороженным, обучалась выходная CTC-голова. Обучение проводилось на 300 примерах, с валидацией на 50 примерах.

Это ранняя экспериментальная модель для первичной обратной связи по инициалям, финалям и тонам. Из-за малого объёма данных её оценки не следует считать окончательной лингвистической или образовательной оценкой произношения. Лицензия — MIT.

Сценарии применения

  • Получение фонетической транскрипции речи на мандаринском китайском
  • Сравнение произношения ученика с целевой фразой
  • Выявление ошибок в инициалях и финалях китайских слогов
  • Предварительная оценка произнесённых тонов

Ограничения

Модель обучена на небольшом наборе данных и предназначена для прототипной обратной связи по инициалям, финалям и тонам. Её результаты не являются окончательной лингвистической или образовательной оценкой.

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

See My Voice Mandarin Phone CTC

This is the trained Mandarin phone-token CTC model used by the See My Voice pronunciation practice app.

The model maps Mandarin speech audio to the app's 67 pronunciation labels:

audio -> initial/final/tone phone tokens

Example target labels:

你 ni2  -> I_n F_i T2
好 hao3 -> I_h F_ao T3
是 shi4 -> I_sh F_i_zh T4
字 zi4  -> I_z F_i_z T4
儿 er2  -> F_er T2
女 nv3  -> I_n F_v T3

Training Summary

  • Base model: jonatasgrosman/wav2vec2-large-xlsr-53-chinese-zh-cn
  • Output labels: 67 Mandarin phone tokens
  • Training device: CUDA
  • Training examples: 300
  • Validation examples: 50
  • Max steps: 1000
  • Final training loss: 1.5815
  • Best validation loss: 1.9028
  • Best validation step: 1000

The training run kept the large acoustic encoder frozen and trained the CTC output head for the See My Voice phone-token target space.

Intended Use

This model is intended for the See My Voice pronunciation feedback service. The service compares expected Mandarin phone tokens for a target sentence against the model's predicted phone tokens from learner audio.

Limitations

This is an early project model, not a production-grade Mandarin pronunciation assessment model. It was trained on a small dataset and should be treated as a prototype signal for initial/final/tone feedback rather than a definitive linguistic or educational assessment.

See training_report.json, loss_history.csv, and test_loss_report.json for the generated run details.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
0b10568

0 моделей