К содержимому
Аудио

X-MDD

диагностика произношения для незнакомых языков

2 мин чтенияобновлено

X-MDD от walston — это файнтюн Qwen3-ASR-1.7B, который не просто распознаёт речь, а показывает, какие фонемы учащийся произнёс вместо эталонных. На вход подаются эталонная речь (TTS, синтез речи с клонированным голосом учащегося), эталонные телефоны (фонемы), речь учащегося и, при желании, примеры в контексте; на выходе — последовательность реально произнесённых телефонов. Если выровнять её с эталоном, получаются обнаружение и диагностика ошибок. Модель обучена на мандаринском и английском, а на арабском проверялась как на невиденном языке. Пригодится для лингвистических исследований, обучения произношению и проверки систем ASR.

Ключевые особенности

  • База Qwen3-ASR-1.7B: дообучены все параметры, кроме входного Conv2D-блока AuT.
  • Работает с эталонной речью, эталонными телефонами и речью учащегося; поддерживает in-context примеры.
  • Сначала SFT на мандаринском и английском (7k шагов, 0–4 примера), затем GRPO (300 шагов, 1–2 примера).
  • Для арабского можно ограничить декодирование целевым набором телефонов.
  • В комплекте processor, словарь на 242 телефона и таблицы токенов.

Что можно сделать

  • Проверять произношение изучающих английский или китайский и выдавать конкретные замены фонем.
  • Исследовать перенос MDD на невиденные языки: карточка приводит арабский как пример.
  • Собирать демонстрации из речи того же говорящего и смотреть, как in-context примеры влияют на PER и F1.
  • Использовать как исследовательский компонент в пайплайне обучения произношению, а не как готовый чат-бот.

Пример

import yaml
from pathlib import Path
from huggingface_hub import snapshot_download
from transformers import AutoProcessor

repo = Path(snapshot_download("walston/X-MDD"))
cfg = yaml.safe_load((repo / "config.yaml").read_text())
processor = AutoProcessor.from_pretrained(repo / "processor")
# далее PrefixAwareBPEICLModule и load_file(model.safetensors)
ПодробнееМетрики при 4 демонстрациях: мандаринский PER 17,66 / F1 79,00 / DER 31,32; английский L2-ARCTIC PER 12,86 / F1 58,88 / DER 19,47.
Арабский QuranMB (невиденный язык, 128 демонстраций): PER 7,75 / F1 38,07 / DER 40,33 — F1 заметно ниже.
Веса bf16; для инференса нужен код репозитория X-MDD и базовый Qwen3-ASR-1.7B-hf, который затем перезаписывается этими весами.
Чекпоинт — шаг 275 GRPO; оптимизаторное состояние удалено.
Обсудить Telegram 0 21

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 4.4 GB · готовые файлы5.3 GB
  • FP8 / INT8рекомендуемвеса 2.2 GB2.9 GB
  • 4-bitвеса 1.2 GB1.9 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # walston/X-MDD
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download walston/X-MDD --local-dir ~/models/X-MDD
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к X-MDD
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

Qwen/Qwen3-ASR-1.7B

Новые посты про версии Qwen3-ASR-1.7B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 2Все на Hugging Face

О модели

walston/X-MDD
Автор
walston
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

210

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

Cog

Cog
Другое

v-jev 1.4

v-jev 1.4