Dix minutes de parole transcrite ont suffi à wav2vec 2.0 pour atteindre un taux d’erreur de mots de 4,8% sur le jeu LibriSpeech test-clean (Meta AI, wav2vec 2.0, NeurIPS 2020), après que le modèle s’est d’abord entraîné sur de l’audio brut sans aucune transcription humaine, l’approche dite d’apprentissage auto-supervisé. Sur le jeu de test caché du défi SUPERB @ SLT 2022, WavLM-large a obtenu 1242 sur une échelle où l’état de l’art d’octobre 2021 est fixé à 1000 (Feng et al., SUPERB @ SLT 2022), pourtant seulement environ la moitié des 33 modèles évalués battent une référence classique sur chaque tâche (Yang et al., IEEE/ACM TASLP 2024). Les anciens checkpoints restent en usage quotidien : facebook/wav2vec2-base-960h affichait 1 737 874 téléchargements le mois dernier (Hugging Face, 31 octobre 2026). Nous avons agrégé les données des articles de benchmark SUPERB, SUPERB-SG et ML-SUPERB, du rapport du défi SUPERB @ SLT 2022, des articles de modèles wav2vec 2.0, WavLM et XEUS, ainsi que des compteurs de téléchargements Hugging Face en direct. Ce que ces faibles taux d’erreur laissent de côté est traité dans notre synthèse sur les taux d’hallucination de la reconnaissance vocale.
Une remarque pour lire chaque chiffre ci-dessous : les scores SUPERB datent surtout de 2021 à 2024, car ce sont les articles de benchmark qui font référence, et le classement en direct n’a pas pu être consulté pour cette mise à jour (voir Note sur les données). Plus bas est meilleur pour les taux d’erreur ; plus haut est meilleur pour la précision et pour les scores SUPERB.
TL;DR
- wav2vec 2.0 Large a atteint 4,8% / 8,2% de WER avec 10 minutes d’annotations, contre 16,3% / 25,2% pour la meilleure méthode précédente (Meta AI, wav2vec 2.0, NeurIPS 2020).
- wav2vec-U a atteint 5,9% de WER sur test-other sans aucune parole transcrite (Meta AI, wav2vec-U 2021).
- Le tableau de l’état de l’art de la revue de l’IEEE indique 1,4% / 2,6% de WER sur LibriSpeech avec un pré-entraînement auto-supervisé, contre 2,1% / 4,0% sans (Mohamed et al., IEEE JSTSP 2022).
- HuBERT Large a fait passer le taux d’erreur de phonèmes de 82,01% pour la référence FBANK à 3,53% (Yang et al., SUPERB, Interspeech 2021).
- La reconnaissance des émotions reste un plafond bas, avec XEUS en tête à 71,08% de précision (Chen et al., XEUS, EMNLP 2024).
- Le BLEU de la traduction de la parole est passé de 2,32 avec FBANK à 20,01 avec HuBERT Large (Tsai et al., SUPERB-SG, ACL 2022).
- Environ la moitié des 33 modèles battent FBANK sur les 15 tâches (Yang et al., IEEE/ACM TASLP 2024).
- WavLM Base+ a obtenu 73,4 au score global avec 94,70M de paramètres, devant HuBERT Large à 72,2 avec 316,61M (Microsoft, WavLM, IEEE JSTSP 2022).
- Le plus grand modèle du défi, avec 619,82M de paramètres, a obtenu 848 contre 1242 pour WavLM-large avec 315,45M (Feng et al., SUPERB @ SLT 2022).
- Sur le jeu de 10 minutes d’ML-SUPERB, wav2vec2-large a obtenu 598,3 et le plus petit wav2vec2-base 755,2 (Shi et al., ML-SUPERB, Interspeech 2023).
- DistilHuBERT rend HuBERT 75% plus petit et 73% plus rapide (Chang et al., ICASSP 2022).
- microsoft/wavlm-large affichait 1 068 711 téléchargements le mois dernier (Hugging Face, 31 octobre 2026).
1. Données annotées : de 960 heures à 10 minutes
Le taux d’erreur de mots (WER) est la part de mots qu’un système se trompe à reconnaître, et les « annotations » désignent ici les transcriptions humaines. LibriSpeech compte deux jeux de test standard : test-clean et le plus difficile test-other. Passer de 960 heures d’annotations à 10 minutes a fait monter le WER de wav2vec 2.0 sur test-other de 3,3% à 8,2%. Comme 960 heures représentent 57 600 minutes, cela fait 5 760 fois moins d’audio transcrit (57 600 / 10) pour un taux d’erreur environ 2,5 fois plus élevé (8,2 / 3,3).
Le goulot d’étranglement s’est déplacé. La transcription fixait autrefois le plancher de qualité ; après wav2vec 2.0, l’intrant rare est devenu l’audio non annoté et le temps GPU. Ses 8,2% sur test-other se situent aussi environ 67% sous les 25,2% de la meilleure méthode précédente ((25,2 - 8,2) / 25,2), et la revue de l’IEEE le présente comme le premier modèle à atteindre un WER à un chiffre sur LibriSpeech en n’utilisant que les sous-ensembles à faibles ressources de Libri-light.
| Métrique | Valeur | Source |
|---|---|---|
| WER avec 10 minutes d’annotations, wav2vec 2.0 Large contre le précédent meilleur Discrete BERT (test-clean / test-other) | 4,8% / 8,2% contre 16,3% / 25,2% | Meta AI, wav2vec 2.0, NeurIPS 2020 |
| WER avec 10 minutes d’annotations, HuBERT X-Large (test-clean / test-other) | 4,6% / 6,8% | Meta AI, HuBERT, IEEE/ACM TASLP 2021 |
| WER sur test-other avec 1 heure d’annotations, wav2vec 2.0 Large contre WavLM Large | 5,8% contre 5,1% | Microsoft, WavLM, IEEE JSTSP 2022 |
| WER avec 10 heures d’annotations, HuBERT Large et WavLM Large (les deux en test-clean / test-other) | 2,4% / 4,6% | Microsoft, WavLM, IEEE JSTSP 2022 |
| WER avec les 960 heures complètes d’annotations LibriSpeech, wav2vec 2.0 Large (test-clean / test-other) | 1,8% / 3,3% | Meta AI, wav2vec 2.0, NeurIPS 2020 |
| WER sur test-other sans aucune parole transcrite, wav2vec-U | 5,9% | Meta AI, wav2vec-U 2021 |
| WER LibriSpeech dans le tableau de l’état de l’art de la revue, sans pré-entraînement auto-supervisé contre avec (test-clean / test-other) | 2,1% / 4,0% contre 1,4% / 2,6% | Mohamed et al., IEEE JSTSP 2022 |
La comparaison n’est pas parfaitement équivalente. Discrete BERT utilisait un modèle de langage 4-gram, alors que les lignes wav2vec 2.0, HuBERT et WavLM ci-dessus utilisent un modèle de langage Transformer au décodage. L’entrée auto-supervisée de la dernière ligne combine un modèle conformer XXL avec un auto-entraînement de type noisy student. Données disponibles les plus récentes : articles de Meta AI et de Microsoft, de 2020 à 2022.
2. Les tâches de contenu de SUPERB : reconnaître ce qui a été dit
SUPERB a démarré avec 10 tâches et une règle stricte : le modèle pré-entraîné reste gelé et seule une petite tête de tâche est entraînée. La référence est FBANK, des caractéristiques audio classiques de banc de filtres sans aucun pré-entraînement. HuBERT Large a fait passer le taux d’erreur de phonèmes de 82,01% à 3,53%. Un taux d’erreur de phonèmes suit la même idée que le WER, compté sur les sons de la parole plutôt que sur les mots.
Les écarts les plus spectaculaires exagèrent un point. L’article note que FBANK ne peut pas fonctionner sur les tâches limitées à une tête linéaire, ce qui explique des scores aussi bas que 8,63% pour la détection de mots-clés. Avec une tête non linéaire en reconnaissance automatique de la parole, FBANK est assez compétitif pour que ses 23,18% constituent un plancher plus juste. La requête par l’exemple, qui retrouve un terme parlé à partir d’un échantillon audio et se note par la valeur pondérée maximale du terme (MTWV), affiche les chiffres absolus les plus bas du groupe : le meilleur score de l’article d’origine était de 0,0736.
| Métrique | Valeur | Source |
|---|---|---|
| Taux d’erreur de phonèmes sur LibriSpeech, référence FBANK contre HuBERT Large | 82,01% contre 3,53% | Yang et al., SUPERB, Interspeech 2021 |
| Précision de la détection de mots-clés sur Speech Commands, FBANK contre wav2vec 2.0 Large | 8,63% contre 96,66% | Yang et al., SUPERB, Interspeech 2021 |
| WER de la reconnaissance automatique de la parole sans modèle de langage, FBANK contre HuBERT Large | 23,18% contre 3,62% | Yang et al., SUPERB, Interspeech 2021 |
| Score MTWV de la requête par l’exemple, FBANK contre HuBERT Base | 0,0058 contre 0,0736 | Yang et al., SUPERB, Interspeech 2021 |
| WER de la reconnaissance automatique de la parole sur SUPERB, WavLM Large contre XEUS | 3,44% contre 3,34% | Chen et al., XEUS, EMNLP 2024 |
| Précision de la détection de mots-clés sur SUPERB, WavLM Large contre XEUS | 97,86% contre 98,32% | Chen et al., XEUS, EMNLP 2024 |
Les chiffres SUPERB en anglais les plus récents proviennent de XEUS, et les marges sont devenues minces : 0,10 point de pourcentage en reconnaissance automatique de la parole. Cette famille de tâches semble proche de la saturation.
3. Tâches de locuteur, d’intention et d’émotion
Les tâches de locuteur demandent qui parle plutôt que ce qui a été dit, elles testent donc si une représentation a conservé davantage que les mots. L’identification du locuteur est passée d’un score quasi nul avec FBANK à 90,33% avec HuBERT Large. WavLM Large affiné a atteint un taux d’égalité des erreurs de 0,383% sur VoxCeleb1-O, contre 1,010% pour le système de référence ECAPA-TDNN. Le taux d’égalité des erreurs (EER) est le point de fonctionnement où les fausses acceptations égalent les faux rejets, plus bas est donc meilleur.
L’émotion fait figure d’exception. La précision de la reconnaissance des émotions en quatre classes sur IEMOCAP a à peine bougé entre WavLM Large et XEUS, et même le meilleur score laisse près de 3 extraits sur 10 mal classés. Les limites pratiques sont traitées dans nos statistiques de précision de la reconnaissance des émotions dans la parole. Les lignes de diarisation utilisent des jeux de données différents, consultez donc notre synthèse sur le taux d’erreur de diarisation du locuteur avant de les comparer. Le taux d’erreur de diarisation (DER) mesure la part du temps audio où le « qui a parlé quand » est faux.
| Métrique | Valeur | Source |
|---|---|---|
| Précision de l’identification du locuteur sur VoxCeleb1, FBANK contre HuBERT Large | 8,5E-4 contre 90,33 (pourcentage) | Yang et al., SUPERB, Interspeech 2021 |
| Précision de la classification d’intention sur Fluent Speech Commands, FBANK contre HuBERT Large | 9,10% contre 98,76% | Yang et al., SUPERB, Interspeech 2021 |
| Précision de la classification d’intention dans le tableau de l’état de l’art de la revue, sans pré-entraînement auto-supervisé contre avec | 98,8% contre 99,3% | Mohamed et al., IEEE JSTSP 2022 |
| DER de la diarisation du locuteur sur LibriMix à deux locuteurs, WavLM Large contre XEUS | 3,24% contre 3,11% | Chen et al., XEUS, EMNLP 2024 |
| Précision de la reconnaissance des émotions sur IEMOCAP (quatre classes), WavLM Large contre XEUS | 70,62% contre 71,08% | Chen et al., XEUS, EMNLP 2024 |
| EER de la vérification du locuteur sur VoxCeleb1-O, référence ECAPA-TDNN contre WavLM Large avec affinage à large marge et calibration des scores | 1,010% contre 0,383% | Microsoft, WavLM, IEEE JSTSP 2022 |
| DER de la diarisation sur appels téléphoniques CALLHOME, regroupement EEND-EDA contre WavLM Large | 11,84% contre 10,35% | Microsoft, WavLM, IEEE JSTSP 2022 |
Notez le changement de méthode dans la ligne de vérification du locuteur : ce résultat vient d’un affinage, et non du cadre gelé de SUPERB, ce n’est donc pas un score de classement. La revue de l’IEEE montre aussi à quel point l’avance peut devenir mince au sommet : 0,5 point de pourcentage sur la classification d’intention.
4. SUPERB-SG et le benchmark à 15 tâches : où l’auto-supervision cesse d’aider
SUPERB-SG a ajouté cinq tâches plus difficiles en sémantique et en génération. La traduction montre le plus grand bond : le BLEU, un score de qualité de traduction, est passé de 2,32 à 20,01. La conversion de voix progresse aussi nettement, mesurée ici par le nombre de mots qu’un système de reconnaissance se trompe à reconnaître sur l’audio converti.
Puis les gains s’arrêtent. L’amélioration et la séparation dépendent du détail du signal de bas niveau, et les auteurs ont constaté que ces deux tâches ne sont pas fortement corrélées avec les autres. wav2vec 2.0 Large se situe en fait sous FBANK sur le score de qualité vocale PESQ. La version publiée en revue le confirme à grande échelle : un modèle conçu pour résumer la parole n’est pas automatiquement bon pour la reconstruire. Pour le volet séparation de ce tableau, consultez nos statistiques sur la séparation de la parole.
| Métrique | Valeur | Source |
|---|---|---|
| BLEU de la traduction de la parole sur CoVoST2 (anglais vers allemand), FBANK contre HuBERT Large | 2,32 contre 20,01 | Tsai et al., SUPERB-SG, ACL 2022 |
| WER de la reconnaissance vocale hors domaine (espagnol, mandarin, arabe et anglais spontané), FBANK contre HuBERT Large | 63,58% contre 44,08% | Tsai et al., SUPERB-SG, ACL 2022 |
| WER de la parole convertie sur VCC2020, FBANK contre HuBERT Large | 38,3% contre 9,0% | Tsai et al., SUPERB-SG, ACL 2022 |
| Score SI-SDRi de la séparation de la parole (amélioration de la qualité du signal, plus haut est meilleur), FBANK contre HuBERT Large | 9,23 contre 10,45 | Tsai et al., SUPERB-SG, ACL 2022 |
| Score PESQ de l’amélioration de la parole sur Voicebank-DEMAND, FBANK contre wav2vec 2.0 Large contre HuBERT Large | 2,55 contre 2,52 contre 2,64 | Tsai et al., SUPERB-SG, ACL 2022 |
| Corrélation des résultats par tâche avec la reconnaissance automatique de la parole, pour la traduction de la parole et pour la reconnaissance hors domaine | 0,92 chacune | Tsai et al., SUPERB-SG, ACL 2022 |
| Part des 33 modèles évalués qui battent FBANK sur les 15 tâches | Environ la moitié | Yang et al., IEEE/ACM TASLP 2024 |
| Tâches sur lesquelles les modèles restants sont derrière FBANK | Environ 1 à 3 sur 15, le plus souvent l’amélioration et la séparation | Yang et al., IEEE/ACM TASLP 2024 |
La ligne hors domaine mérite l’attention : HuBERT Large affiche encore en moyenne un taux d’erreur de 44,08% sur ces quatre sous-tâches (le mandarin est noté par le taux d’erreur de caractères), bien au-dessus de ses 3,62% sur LibriSpeech en anglais.
5. Passage à l’échelle : paramètres, heures de pré-entraînement et classement
Le plus grand modèle du défi SUPERB @ SLT 2022 avait environ deux fois plus de paramètres que WavLM-large et a obtenu 394 points de moins (1242 - 848). La taille rapporte moins que la recette d’entraînement. La preuve la plus nette est WavLM Base+, qui a gardé sa taille Base de 94,70M de paramètres, a ajouté de l’audio d’entraînement plus varié et a battu un modèle plus de 3 fois plus grand (316,61 / 94,70 = 3,34).
Le score du défi fixe la référence FBANK à 0 et l’état de l’art du 15 octobre 2021 à 1000, de sorte que tout ce qui dépasse 1000 bat cet instantané. Le score global de l’article WavLM est une échelle distincte, avec FBANK à 43,2, et les deux ne doivent pas être comparés. Entre-temps, les données de pré-entraînement sont passées des 94 000 heures de WavLM à des millions d’heures, et la facture se voit désormais en temps GPU.
| Métrique | Valeur | Source |
|---|---|---|
| Score global SUPERB, HuBERT Large contre WavLM Large (tous deux d’environ 316,6M de paramètres) | 72,2 contre 74,6 | Microsoft, WavLM, IEEE JSTSP 2022 |
| Score global SUPERB, WavLM Base+ (94,70M de paramètres) contre HuBERT Large (316,61M de paramètres) | 73,4 contre 72,2 | Microsoft, WavLM, IEEE JSTSP 2022 |
| Audio de pré-entraînement de WavLM | 94 000 heures (60 000 Libri-Light, 10 000 GigaSpeech, 24 000 VoxPopuli) | Microsoft, WavLM, IEEE JSTSP 2022 |
| Score du défi sur jeu caché de WavLM-large, avec taille et calcul | 1242 (315,45M de paramètres, 4 326G MAC) | Feng et al., SUPERB @ SLT 2022 |
| Score du défi sur jeu caché de la plus grande soumission, Unsupervised ASR + T5 (619,82M de paramètres) | 848 | Feng et al., SUPERB @ SLT 2022 |
| Audio de pré-entraînement de XLS-R sur cinq jeux de données | 436 000 heures | Mohamed et al., IEEE JSTSP 2022 |
| Taille du modèle XEUS et calcul de pré-entraînement | 577M de paramètres ; plus de 1 million d’heures d’audio ; 63 000 heures GPU sur 64 GPU A100 pendant environ 40 jours | Chen et al., XEUS, EMNLP 2024 |
| Audio de pré-entraînement de Google Universal Speech Model | 12 millions d’heures dans plus de 300 langues | Google, article USM 2023 |
Les MAC (opérations de multiplication-accumulation) estiment la quantité de calcul dont un modèle a besoin pour fonctionner. La ligne Google ne sert que de repère d’échelle : nous n’avons trouvé aucun score SUPERB pour ce modèle.
6. Classements multilingues : le classement anglais se transpose-t-il ?
Seulement en partie. WavLM, en tête du SUPERB anglais, était la référence la plus faible du défi multilingue de 2025, avec 72,0% de taux d’erreur de caractères contre 40,2% pour XEUS. L’article du défi décrit ce modèle comme uniquement anglophone, ce qui suggère que le rang d’un classement en dit autant sur l’audio de pré-entraînement que sur l’architecture. Pour le comportement des encodeurs vocaux selon les langues au niveau des plongements, consultez nos statistiques sur les plongements vocaux multilingues.
ML-SUPERB remet son score à l’échelle de la même façon, avec FBANK à 0. Le passage à l’échelle se retourne aussi contre les gros modèles ici : les grands modèles gagnaient généralement en reconnaissance monolingue, mais les auteurs ont constaté que les modèles de base ont tendance à mieux généraliser aux cas multilingues que leurs versions larges. Le défi ML-SUPERB 2.0 montre ensuite que les dialectes restent la partie non résolue, le taux d’erreur de caractères de XEUS passant de 40,2% à 68,7%.
| Métrique | Valeur | Source |
|---|---|---|
| Audio d’entraînement ML-SUPERB sur 143 langues, jeu de 10 minutes contre jeu de 1 heure | 37,43 heures contre 222,46 heures | Shi et al., ML-SUPERB, Interspeech 2023 |
| Score ML-SUPERB de XLSR-128, le meilleur modèle, sur le jeu d’entraînement de 10 minutes contre celui de 1 heure | 947,5 contre 996,0 | Shi et al., ML-SUPERB, Interspeech 2023 |
| Score ML-SUPERB à 10 minutes, wav2vec2-base contre wav2vec2-large | 755,2 contre 598,3 | Shi et al., ML-SUPERB, Interspeech 2023 |
| Score ML-SUPERB à 10 minutes / 1 heure : XEUS (577M de paramètres, 1M d’heures) contre MMS 1B (1B, 491K heures) contre w2v-BERT 2.0 v2 (580M, 4,5M d’heures) | 956 / 956 contre 953 / 948 contre 826 / 916 | Chen et al., XEUS, EMNLP 2024 |
| Taux d’erreur de caractères sur la parole standard, XEUS contre WavLM uniquement anglophone | 40,2% contre 72,0% | Chen et al., ML-SUPERB 2.0 Challenge, Interspeech 2025 |
| Taux d’erreur de caractères de XEUS, parole standard contre parole dialectale | 40,2% contre 68,7% | Chen et al., ML-SUPERB 2.0 Challenge, Interspeech 2025 |
w2v-BERT 2.0 v2 disposait du plus d’audio de pré-entraînement dans cette comparaison et a obtenu le score le plus bas : davantage d’heures ne suffisait donc pas non plus à trancher. Les scores de l’ML-SUPERB d’origine et de la comparaison XEUS doivent se lire au sein de chaque article, et non d’un article à l’autre.
7. Efficacité et adoption dans le monde réel
Les modèles de tête coûtent cher, et un courant de recherche tente désormais de les réduire. DistilHuBERT en est l’exemple le plus clair, mais les données du défi montrent le prix à payer : avec 27,03M de paramètres, il a obtenu 617, contre 784 pour HuBERT-base à 94,70M. Le plus petit modèle du défi n’a obtenu que 104, la compression perd donc davantage que ne le laissent entendre les pourcentages affichés.
L’évaluation elle-même a aussi été un coût, ce que MiniSUPERB cherche à réduire. Les compteurs de téléchargements apportent un signal plus récent : wav2vec2-base-960h est davantage téléchargé que WavLM Large et HuBERT Large alors que le classement l’avait placé plus bas. La facilité d’adoption, et le fait d’être arrivé en premier, comptent beaucoup.
| Métrique | Valeur | Source |
|---|---|---|
| DistilHuBERT comparé à HuBERT | 75% plus petit, 73% plus rapide | Chang et al., DistilHuBERT, ICASSP 2022 |
| Score du défi sur jeu caché, DistilHuBERT (27,03M de paramètres) contre HuBERT-base (94,70M de paramètres) | 617 contre 784 | Feng et al., SUPERB @ SLT 2022 |
| Plus petit modèle du défi, Chimera MelHuBERT v1 | 22,50M de paramètres, 271G MAC, score 104 | Feng et al., SUPERB @ SLT 2022 |
| Réduction du calcul de MiniSUPERB, et sa corrélation de rang avec le défi SUPERB | 97% de MAC en moins ; Spearman 0,982 | Wang et al., MiniSUPERB, IEEE ASRU 2023 |
| GPU nécessaires : recettes SUPERB contre recette officielle d’affinage de wav2vec 2.0 Large | 1 GPU contre environ 4 à 8 GPU | Yang et al., IEEE/ACM TASLP 2024 |
| Téléchargements le mois dernier, facebook/wav2vec2-base-960h | 1 737 874 | Page de modèle Hugging Face, 31 octobre 2026 |
| Téléchargements le mois dernier, microsoft/wavlm-large | 1 068 711 | Page de modèle Hugging Face, 31 octobre 2026 |
| Téléchargements le mois dernier, facebook/hubert-large-ls960-ft | 616 230 | Page de modèle Hugging Face, 31 octobre 2026 |
Un compteur de téléchargements enregistre des récupérations, pas des personnes : lisez ces lignes comme un signe d’activité plutôt que comme un nombre d’utilisateurs.
Résumé : le classement SUPERB des modèles vocaux auto-supervisés en chiffres
| Métrique | Valeur | Source |
|---|---|---|
| WER avec 10 minutes d’annotations, wav2vec 2.0 Large (test-clean / test-other) | 4,8% / 8,2% | Meta AI, wav2vec 2.0, NeurIPS 2020 |
| WER avec les 960 heures complètes d’annotations, wav2vec 2.0 Large (test-clean / test-other) | 1,8% / 3,3% | Meta AI, wav2vec 2.0, NeurIPS 2020 |
| Taux d’erreur de phonèmes, FBANK contre HuBERT Large | 82,01% contre 3,53% | Yang et al., SUPERB, Interspeech 2021 |
| WER de la reconnaissance vocale sur SUPERB, WavLM Large contre XEUS | 3,44% contre 3,34% | Chen et al., XEUS, EMNLP 2024 |
| Précision de la reconnaissance des émotions sur IEMOCAP, XEUS | 71,08% | Chen et al., XEUS, EMNLP 2024 |
| EER de la vérification du locuteur sur VoxCeleb1-O, référence ECAPA-TDNN contre WavLM Large affiné | 1,010% contre 0,383% | Microsoft, WavLM, IEEE JSTSP 2022 |
| BLEU de la traduction de la parole, FBANK contre HuBERT Large | 2,32 contre 20,01 | Tsai et al., SUPERB-SG, ACL 2022 |
| Modèles battant FBANK sur les 15 tâches | Environ la moitié de 33 | Yang et al., IEEE/ACM TASLP 2024 |
| Score du défi sur jeu caché de WavLM-large | 1242 | Feng et al., SUPERB @ SLT 2022 |
| Score global SUPERB, WavLM Base+ contre HuBERT Large | 73,4 contre 72,2 | Microsoft, WavLM, IEEE JSTSP 2022 |
| Calcul de pré-entraînement de XEUS | 63 000 heures GPU | Chen et al., XEUS, EMNLP 2024 |
| Audio de pré-entraînement de Google Universal Speech Model | 12 millions d’heures | Google, article USM 2023 |
| Score ML-SUPERB de XLSR-128 sur le jeu d’entraînement de 1 heure | 996,0 | Shi et al., ML-SUPERB, Interspeech 2023 |
| Taux d’erreur de caractères sur la parole standard, XEUS contre WavLM uniquement anglophone | 40,2% contre 72,0% | Chen et al., ML-SUPERB 2.0 Challenge, Interspeech 2025 |
| DistilHuBERT comparé à HuBERT | 75% plus petit, 73% plus rapide | Chang et al., DistilHuBERT, ICASSP 2022 |
| Réduction du calcul de MiniSUPERB | 97% de MAC en moins | Wang et al., MiniSUPERB, IEEE ASRU 2023 |
| Téléchargements le mois dernier, facebook/wav2vec2-base-960h | 1 737 874 | Page de modèle Hugging Face, 31 octobre 2026 |
Méthodologie et sources
- SUPERB: Speech processing Universal PERformance Benchmark (Yang et al., Interspeech 2021)
- SUPERB-SG (Tsai et al., ACL 2022)
- A Large-Scale Evaluation of Speech Foundation Models (Yang et al., IEEE/ACM TASLP 2024)
- Rapport du défi SUPERB @ SLT 2022 (Feng et al., 2022)
- ML-SUPERB (Shi et al., Interspeech 2023)
- The ML-SUPERB 2.0 Challenge (Chen et al., Interspeech 2025)
- MiniSUPERB (Wang et al., IEEE ASRU 2023)
- wav2vec 2.0 (Meta AI, NeurIPS 2020)
- HuBERT (Meta AI, IEEE/ACM TASLP 2021)
- wav2vec-U (Meta AI, 2021)
- WavLM (Microsoft, IEEE JSTSP 2022)
- XEUS: Towards Robust Speech Representation Learning for Thousands of Languages (Chen et al., EMNLP 2024)
- Universal Speech Model (Google, 2023)
- DistilHuBERT (Chang et al., ICASSP 2022)
- Self-Supervised Speech Representation Learning: A Review (Mohamed et al., IEEE JSTSP 2022)
- Pages de modèles Hugging Face : facebook/wav2vec2-base-960h, microsoft/wavlm-large, facebook/hubert-large-ls960-ft (31 octobre 2026)
- Note sur les données : le classement SUPERB en direct n’a pas pu être consulté le 31 octobre 2026 (l’hôte a refusé la connexion et la page GitHub du benchmark n’affiche aucun score), si bien que chaque chiffre SUPERB présenté ici provient des articles publiés et qu’une soumission plus récente peut exister. Trois échelles de score apparaissent et ne sont pas interchangeables : le score global de l’article WavLM, le score du défi (référence 0, état de l’art du 15 octobre 2021 à 1000) et le score ML-SUPERB. Le score de 586,9 de wav2vec2-large sur le jeu de 1 heure d’ML-SUPERB suit une valeur imprimée d’identification de la langue de 8,0 dans le tableau de cet article, bien en dessous de ses voisines, cet écart isolé doit donc être lu avec prudence. Les nombres de paramètres varient légèrement selon l’article : 316,62M contre 315,45M pour WavLM Large et 94,70M contre 94,38M pour WavLM Base+. Conflits mineurs au sein des sources : le texte de SUPERB indique 5,10 pour la vérification du locuteur de HuBERT alors que son tableau indique 5,11 (nous utilisons le tableau) ; le texte de XEUS donne 33,3 pour son meilleur taux d’erreur de caractères à 10 minutes alors que son tableau donne 30,3 pour XEUS et 33,3 pour MMS 1B ; l’article ML-SUPERB 2.0 affirme à la fois 149 et 154 langues, et les gains de son résumé ne correspondent pas à sa section 4.1, nous ne rapportons donc que son tableau de référence. Les téléchargements Hugging Face sont un décompte glissant du dernier mois et changent chaque jour. La plupart des résultats SUPERB datent de 2021 à 2024, traitez-les donc comme les données disponibles les plus récentes et non comme des mesures de 2026.
Dernière mise à jour : 31 octobre 2026. Nous actualisons ce tour d’horizon chaque trimestre, et la prochaine révision est attendue lors de la publication des résultats du prochain défi ML-SUPERB.