/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
3,8 млрд
Размер весов
11,1 ГБ
Лицензия
MIT
Архитектура
phi4mm · dense
Базовая модель
Phi-4-multimodal-instruct
Библиотека
transformers
Опубликована
28 фев 2025

Phi-4-mm-inst-asr-turkish

Генерация текстаТекст → текст8 профессий

Дообученная мультимодальная модель Phi-4 для транскрибирования турецкой речи в текст.

32скачиваний за 30 дней5лайковвеса обновлены3 мар 2025

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

ysdede/Phi-4-mm-inst-asr-turkish — дообученная модель на основе microsoft/Phi-4-multimodal-instruct для транскрибирования аудио на турецком языке. Она обучена за один проход на наборе турецких аудиозаписей объёмом 600 часов с запросом «Transcribe the Turkish audio». Автор отмечает, что указание исходного языка при инференсе помогает снизить галлюцинации и повысить точность.

Это плотная мультимодальная модель семейства Phi-4 с 3,8 млрд параметров и контекстом 4096 токенов. Модель использует Transformers и формат safetensors. Лицензия — MIT. Карточка не содержит оценок качества; обучение было ограничено ресурсами и одним проходом, поэтому точность на разных видах аудио может различаться.

Сценарии применения

  • транскрибирование турецкой речи из аудиозаписей
  • создание черновых субтитров для турецких видео
  • преобразование турецких голосовых сообщений в текст для поиска
  • подготовка расшифровок турецких интервью и лекций

Ограничения

Модель обучена за один проход на 600 часах аудио; в карточке нет метрик качества. Автор рекомендует указывать турецкий как исходный язык в запросе, чтобы снизить галлюцинации.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Phi-4-multimodal-instruct-asr-tr

This model is a fine-tuned version of microsoft/Phi-4-multimodal-instruct on a 600-hour Turkish audio dataset, trained for a single epoch because of resource constraints.

Trained with Prompt: "Transcribe the Turkish audio"

Including the source language during inference helps reduce hallucinations and improve accuracy, even with the base model. This model has been fine-tuned using the same prompt.

Training results

  • Evaluation Results:

    • Before Fine-Tuning:
      • WER: 127.29
      • CER: 78.22
    • After Fine-Tuning:
      • WER: 47.57
      • CER: 20.52
  • Training Loss:

    • Decreased from 1.423 to 0.176

Inference

Load generation_config and processor from the base model as a quick fix to use the default generation settings.

Note: The new models currently lack high-quality fine-tuning scripts. When saving a fine-tuned model using model.save_pretrained(), the processor configuration—including essential audio parameters—is not automatically saved. This omission can lead to errors during inference due to the model’s complex architecture. Loading these components from the base model ensures that all critical settings are properly included.

generation_config = GenerationConfig.from_pretrained(
    'microsoft/Phi-4-multimodal-instruct', 'generation_config.json'
)
processor = AutoProcessor.from_pretrained(
    'microsoft/Phi-4-multimodal-instruct', trust_remote_code=True
)

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 1e-05
  • train_batch_size: 4
  • eval_batch_size: 8
  • seed: 42
  • optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.95) and epsilon=1e-07 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 5000
  • num_epochs: 1
  • mixed_precision_training: Native AMP

Framework versions

  • Transformers 4.46.1
  • Pytorch 2.5.1+cu124
  • Datasets 3.3.2
  • Tokenizers 0.20.3

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
Phi4MMForCausalLM
Ревизия весов
cc420e1

0 моделей