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)
Подробнее
Метрики 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.










Комментарии