/ 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
6 мар 2025

Phi-4-mm-inst-asr-turkish-unf

Генерация текстаТекст → текст5 профессий

Дообученная Phi-4 Multimodal модель для распознавания турецкой речи и её транскрибирования в текст.

71скачиваний за 30 дней4лайкавеса обновлены8 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

Это дообученная модель Microsoft Phi-4 Multimodal Instruct для распознавания турецкой речи и преобразования аудио в текст. В обучении разморозили слои энкодера и провели одну эпоху на парах турецкого аудио и текста; использованы датасеты Common Voice, лекции Khan Academy на турецком и записи с шумом. Модель содержит 3,8 млрд параметров, построена на архитектуре Phi4MM, работает через Transformers и имеет контекст 4096 токенов.

Модель предназначена для транскрибирования турецкой речи, в том числе коротких записей и образовательных лекций. В README приведён результат WER 9,7% на тесте Common Voice, однако автор отмечает возможную утечку говорящих между обучающей и тестовой выборками, короткую длительность высказываний и влияние нормализации текста. На шумных или отличающихся по стилю записях качество может быть хуже; модель всё ещё развивается. Лицензия — MIT.

Сценарии применения

  • Транскрибирование коротких турецких аудиозаписей
  • Распознавание речи в образовательных лекциях на турецком языке
  • Создание текстовых расшифровок турецких голосовых сообщений

Ограничения

Результат WER 9,7% на Common Voice может быть завышен из-за возможной утечки говорящих между выборками, коротких высказываний и особенностей нормализации турецкого текста. Обобщение на шумные и отличающиеся по стилю записи требует дополнительной проверки.

Для каких профессий подходит5

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-mm-inst-asr-turkish-unf

This model is a fine-tuned version of microsoft/Phi-4-multimodal-instruct.

Model Background:
This benchmark evaluates a fine-tuned version of Microsoft's Phi-4-mm-instruct, a multimodal model not originally designed for Turkish ASR. Key points:

  1. Initial Limitations:

    • No Turkish ASR support in base model
    • Initial WER 100+%
  2. Fine-Tuning Process:

    • Unfroze encoder layers for Turkish adaptation
    • Trained for 1 epoch on Turkish audio-text pairs
  3. Current Status:

    • Achieved significant WER reduction (100+% → 9.7% on CommonVoice)*
    • Still under active development for better generalization
    • Results shared as incremental progress documentation

Why This Matters:

  • Demonstrates adaptability of multimodal architectures
  • Provides baseline for Turkish ASR in resource-constrained scenarios
  • Encourages exploration of under-supported languages
  • Note on CommonVoice Results:
    • CommonVoice's relatively low WER (9.7%) may benefit from:
      • Potential speaker leakage between splits (same speakers in train/test)
      • Clean audio conditions despite non-professional recordings
      • Short utterance structure (average 4-5 seconds)
    • See below for full context on CommonVoice characteristics in the "Dataset Notes" section.

Benchmark Results

Testing Environment: Google Colab with L4 GPU (24 GB VRAM)

ModelWER (%)CER (%)Inference Speed (xRT)Batch SizeAudio Duration (hrs)Samples Processed
ysdede/commonvoice_17_tr_fixed9.72.72x26327.18,576
erenfazlioglu/turkishvoicedataset11.523.93x20167.82,496
ysdede/khanacademy-turkish12.047.78x16163.81,344
ysdede/yeni-split-020.5813.2x1616185,936
ymoslem/MediaSpeech25.4815.16x3532102,496
dssnt127.239.6x12162.51,200
ysdede/yeni-split-lq-noisy39.427x1916123,440

Dataset Notes:

  • Finetuning Datasets:

    • commonvoice_17_tr_fixed: Crowd-sourced clean speech (not professional studio recordings) with shuffled splits - potential speaker leakage (same speakers in train/test with different utterances)
    • khanacademy-turkish: Educational lectures with STEM vocabulary
    • yeni-split-0: Noisy real-world recordings
  • Benchmark-only Datasets:

    • turkishvoicedataset: Synthetic TTS news (clean but artificial prosody)
    • yeni-split-lq-noisy: Challenging noisy samples with alignment errors

Text Normalization Challenges:
⚠️ Current WER/CER scores may be inflated due to:

  1. Lack of standardized Turkish ASR text normalization pipeline
  2. Case/punctuation inconsistencies in references
  3. Agglutinative language morphology affecting word boundaries

Evaluation Note:
For Turkish ASR benchmarking, I developed a text normalizer to address language-specific scoring challenges. While imperfect, it helps:

  • Convert numbers/dates to words
  • Standardize compound word formatting
  • Reduce punctuation-related mismatches

This preprocessing makes WER/CER calculations slightly fairer compared to raw scoring, though manual verification remains recommended. The tool is actively being refined based on validation set findings.

Performance Factors:

  • CommonVoice's relatively low WER (9.7%) likely benefits from:
    • High audio quality despite non-professional speakers
    • Potential speaker familiarity patterns (same speakers in both splits)
    • Short utterance structure (average 4-5 seconds)

Training procedure

finetuning Colab notebook

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0001
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.99) and epsilon=1e-07 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: cosine
  • lr_scheduler_warmup_ratio: 0.1
  • num_epochs: 1

Framework versions

  • Transformers 4.48.3
  • Pytorch 2.5.1+cu124
  • Datasets 3.3.2
  • Tokenizers 0.21.0

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
cb293b2

0 моделей