wav2vec 2.0, LibriSpeech test-clean kümesinde yalnızca on dakikalık transkribe edilmiş konuşmayla %4,8 kelime hata oranına ulaştı (Meta AI, wav2vec 2.0, NeurIPS 2020); model bundan önce insan transkripti olmayan ham ses üzerinde eğitilmişti, bu yaklaşıma öz denetimli öğrenme deniyor. SUPERB @ SLT 2022 yarışmasının gizli test kümesinde WavLM-large, Ekim 2021’deki en iyi sonucun 1000 olduğu bir ölçekte 1242 puan aldı (Feng vd., SUPERB @ SLT 2022); buna rağmen kıyaslanan 33 modelin yalnızca yaklaşık yarısı her görevde klasik bir temel yöntemi geçti (Yang vd., IEEE/ACM TASLP 2024). Eski kontrol noktaları günlük kullanımda kalmaya devam ediyor: facebook/wav2vec2-base-960h için son ayda 1.737.874 indirme görüldü (Hugging Face, 31 Ekim 2026). Verileri SUPERB, SUPERB-SG ve ML-SUPERB kıyaslama makalelerinden, SUPERB @ SLT 2022 yarışma raporundan, wav2vec 2.0, WavLM ve XEUS model makalelerinden ve canlı Hugging Face indirme sayaçlarından derledik. Bu düşük hata oranlarının dışarıda bıraktıklarını konuşma tanıma halüsinasyon oranları derlememizde ele alıyoruz.
Aşağıdaki her sayıyı okurken şunu akılda tutun: SUPERB puanlarının çoğu 2021 ile 2024 arasına ait, çünkü rekoru kıyaslama makaleleri belirliyor ve canlı lider tablosuna bu güncelleme için ulaşılamadı (bkz. Veri notu). Hata oranlarında düşük olan daha iyidir; doğruluk ve SUPERB puanlarında yüksek olan daha iyidir.
TL;DR
- wav2vec 2.0 Large, 10 dakikalık etiketle %4,8 / %8,2 WER’e ulaştı; bir önceki en iyi yöntemde bu oran %16,3 / %25,2 idi (Meta AI, wav2vec 2.0, NeurIPS 2020).
- wav2vec-U, hiç transkribe edilmiş konuşma olmadan test-other üzerinde %5,9 WER’e ulaştı (Meta AI, wav2vec-U 2021).
- IEEE derlemesinin en gelişmiş sonuçlar tablosu, öz denetimli ön eğitimle LibriSpeech’te %1,4 / %2,6 WER, ön eğitimsiz %2,1 / %4,0 gösteriyor (Mohamed vd., IEEE JSTSP 2022).
- HuBERT Large, fonem hata oranını FBANK temel yönteminin %82,01 değerinden %3,53’e indirdi (Yang vd., SUPERB, Interspeech 2021).
- Duygu tanıma düşük bir tavan olarak kalıyor; %71,08 doğrulukla XEUS başta (Chen vd., XEUS, EMNLP 2024).
- Konuşma çevirisi BLEU puanı FBANK ile 2,32 iken HuBERT Large ile 20,01’e yükseldi (Tsai vd., SUPERB-SG, ACL 2022).
- 33 modelin yaklaşık yarısı 15 görevin hepsinde FBANK’ı geçti (Yang vd., IEEE/ACM TASLP 2024).
- WavLM Base+, 94,70M parametreyle genel SUPERB puanında 73,4 aldı; 316,61M parametreli HuBERT Large ise 72,2’de kaldı (Microsoft, WavLM, IEEE JSTSP 2022).
- 619,82M parametreli en büyük yarışma modeli 848 puan aldı; 315,45M parametreli WavLM-large ise 1242 (Feng vd., SUPERB @ SLT 2022).
- 10 dakikalık ML-SUPERB kümesinde wav2vec2-large 598,3, daha küçük wav2vec2-base ise 755,2 puan aldı (Shi vd., ML-SUPERB, Interspeech 2023).
- DistilHuBERT, HuBERT’i %75 küçültüyor ve %73 hızlandırıyor (Chang vd., ICASSP 2022).
- microsoft/wavlm-large için son ayda 1.068.711 indirme görüldü (Hugging Face, 31 Ekim 2026).
1. Etiketli Veri: 960 Saatten 10 Dakikaya
Kelime hata oranı (WER), bir sistemin yanlış yaptığı kelimelerin payıdır; burada “etiket” insan transkripti anlamına gelir. LibriSpeech’in iki standart test kümesi vardır: test-clean ve daha zor olan test-other. Etiketi 960 saatten 10 dakikaya indirmek, wav2vec 2.0’ın test-other WER’ini %3,3’ten %8,2’ye çıkardı. 960 saat 57.600 dakika olduğuna göre, bu 5.760 kat (57.600 / 10) daha az transkribe edilmiş ses demek; karşılığında hata oranı yaklaşık 2,5 kat (8,2 / 3,3) daha yüksek.
Darboğaz yer değiştirdi. Eskiden kalitenin tabanını transkripsiyon belirliyordu; wav2vec 2.0’dan sonra kıt olan girdi etiketsiz ses ve GPU süresi oldu. Test-other üzerindeki %8,2 sonucu, bir önceki en iyi yöntemin %25,2 değerinin de yaklaşık %67 altında ((25,2 - 8,2) / 25,2) ve IEEE derlemesi, onu yalnızca düşük kaynaklı Libri-light alt kümelerini kullanarak LibriSpeech’te tek haneli WER’e ulaşan ilk model olarak kaydediyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| 10 dakikalık etiketle WER, wav2vec 2.0 Large ile bir önceki en iyi Discrete BERT (test-clean / test-other) | %4,8 / %8,2 karşı %16,3 / %25,2 | Meta AI, wav2vec 2.0, NeurIPS 2020 |
| 10 dakikalık etiketle WER, HuBERT X-Large (test-clean / test-other) | %4,6 / %6,8 | Meta AI, HuBERT, IEEE/ACM TASLP 2021 |
| 1 saatlik etiketle test-other üzerinde WER, wav2vec 2.0 Large ile WavLM Large | %5,8 karşı %5,1 | Microsoft, WavLM, IEEE JSTSP 2022 |
| 10 saatlik etiketle WER, HuBERT Large ve WavLM Large (ikisi de test-clean / test-other) | %2,4 / %4,6 | Microsoft, WavLM, IEEE JSTSP 2022 |
| LibriSpeech’in 960 saatlik etiketlerinin tamamıyla WER, wav2vec 2.0 Large (test-clean / test-other) | %1,8 / %3,3 | Meta AI, wav2vec 2.0, NeurIPS 2020 |
| Hiç transkribe edilmiş konuşma olmadan test-other üzerinde WER, wav2vec-U | %5,9 | Meta AI, wav2vec-U 2021 |
| Derlemenin en gelişmiş sonuçlar tablosunda LibriSpeech WER, öz denetimli ön eğitimsiz ile öz denetimli ön eğitimli (test-clean / test-other) | %2,1 / %4,0 karşı %1,4 / %2,6 | Mohamed vd., IEEE JSTSP 2022 |
Karşılaştırma tam olarak eşit koşullarda değil. Discrete BERT 4-gram dil modeli kullandı; yukarıdaki wav2vec 2.0, HuBERT ve WavLM satırları ise kod çözmede Transformer dil modeli kullanıyor. Son satırdaki öz denetimli giriş, bir conformer XXL modelini noisy student öz-eğitimiyle birleştiriyor. Mevcut en güncel veri: Meta AI ve Microsoft makaleleri, 2020 ile 2022 arası.
2. SUPERB İçerik Görevleri: Ne Söylendiğini Tanımak
SUPERB, 10 görev ve tek bir katı kuralla başladı: önceden eğitilmiş model dondurulur, yalnızca küçük bir görev başlığı eğitilir. Temel yöntem FBANK, yani hiç ön eğitim içermeyen klasik filtre bankası ses özellikleri. HuBERT Large, fonem hata oranını %82,01’den %3,53’e indirdi. Fonem hata oranı WER ile aynı fikirdir; kelimeler yerine konuşma sesleri üzerinden sayılır.
Manşet farklar bir noktayı olduğundan büyük gösteriyor. Makale, FBANK’ın doğrusal bir başlıkla sınırlı görevlerde çalışamadığını belirtiyor; anahtar sözcük tespitinde %8,63 kadar düşük puanların nedeni bu. ASR’de doğrusal olmayan bir başlıkla FBANK yeterince rekabetçi olduğundan, %23,18 değeri daha adil bir taban. Bir ses örneğinden sözlü bir terim bulan ve maksimum terim ağırlıklı değer (MTWV) ile puanlanan örnekle sorgu, grubun en düşük mutlak sayılarını veriyor: özgün makaledeki en yüksek puan 0,0736 idi.
| Metrik | Değer | Kaynak |
|---|---|---|
| LibriSpeech üzerinde fonem hata oranı, FBANK temel yöntemi ile HuBERT Large | %82,01 karşı %3,53 | Yang vd., SUPERB, Interspeech 2021 |
| Speech Commands üzerinde anahtar sözcük tespiti doğruluğu, FBANK ile wav2vec 2.0 Large | %8,63 karşı %96,66 | Yang vd., SUPERB, Interspeech 2021 |
| Dil modeli olmadan otomatik konuşma tanıma WER, FBANK ile HuBERT Large | %23,18 karşı %3,62 | Yang vd., SUPERB, Interspeech 2021 |
| Örnekle sorgu MTWV puanı, FBANK ile HuBERT Base | 0,0058 karşı 0,0736 | Yang vd., SUPERB, Interspeech 2021 |
| SUPERB üzerinde otomatik konuşma tanıma WER, WavLM Large ile XEUS | %3,44 karşı %3,34 | Chen vd., XEUS, EMNLP 2024 |
| SUPERB üzerinde anahtar sözcük tespiti doğruluğu, WavLM Large ile XEUS | %97,86 karşı %98,32 | Chen vd., XEUS, EMNLP 2024 |
Buradaki en güncel İngilizce SUPERB sayıları XEUS’tan geliyor ve farklar inceldi: ASR’de 0,10 yüzde puan. Bu görev ailesi doygunluğa yakın görünüyor.
3. Konuşmacı, Niyet ve Duygu Görevleri
Konuşmacı görevleri ne söylendiğini değil, kimin konuştuğunu sorar; yani bir temsilin kelimelerden fazlasını koruyup korumadığını sınar. Konuşmacı tanımlama, FBANK ile fiilen sıfırdan HuBERT Large ile %90,33’e çıktı. İnce ayarlı WavLM Large, VoxCeleb1-O üzerinde %0,383 eşit hata oranına ulaştı; ECAPA-TDNN referans sisteminde bu oran %1,010 idi. Eşit hata oranı (EER), yanlış kabullerin yanlış reddetmelere eşit olduğu çalışma noktasıdır; dolayısıyla düşük olan daha iyidir.
Duygu, aykırı değer olarak öne çıkıyor. IEMOCAP üzerinde dört sınıflı duygu doğruluğu, WavLM Large ile XEUS arasında neredeyse hiç değişmedi ve en iyi puan bile kayıtların neredeyse 10’da 3’ünü yanlış bırakıyor. Pratik sınırlar konuşmadan duygu tanıma doğruluğu istatistikleri yazımızda ele alınıyor. Ayrıştırma satırları farklı veri kümeleri kullanıyor; bu yüzden karşılaştırmadan önce konuşmacı ayrıştırma hata oranı derlememize bakın. Ayrıştırma hata oranı (DER), “kim ne zaman konuştu” sorusunda sesin ne kadarlık süresinin yanlış olduğunu ölçer.
| Metrik | Değer | Kaynak |
|---|---|---|
| VoxCeleb1 üzerinde konuşmacı tanımlama doğruluğu, FBANK ile HuBERT Large | 8,5E-4 karşı 90,33 (yüzde) | Yang vd., SUPERB, Interspeech 2021 |
| Fluent Speech Commands üzerinde niyet sınıflandırma doğruluğu, FBANK ile HuBERT Large | %9,10 karşı %98,76 | Yang vd., SUPERB, Interspeech 2021 |
| Derlemenin en gelişmiş sonuçlar tablosunda niyet sınıflandırma doğruluğu, öz denetimli ön eğitimsiz ile öz denetimli ön eğitimli | %98,8 karşı %99,3 | Mohamed vd., IEEE JSTSP 2022 |
| İki konuşmacılı LibriMix üzerinde konuşmacı ayrıştırma DER, WavLM Large ile XEUS | %3,24 karşı %3,11 | Chen vd., XEUS, EMNLP 2024 |
| IEMOCAP üzerinde duygu tanıma doğruluğu (dört sınıf), WavLM Large ile XEUS | %70,62 karşı %71,08 | Chen vd., XEUS, EMNLP 2024 |
| VoxCeleb1-O üzerinde konuşmacı doğrulama EER, ECAPA-TDNN referansı ile geniş marjlı ince ayar ve puan kalibrasyonlu WavLM Large | %1,010 karşı %0,383 | Microsoft, WavLM, IEEE JSTSP 2022 |
| CALLHOME telefon görüşmelerinde ayrıştırma DER, EEND-EDA kümeleme ile WavLM Large | %11,84 karşı %10,35 | Microsoft, WavLM, IEEE JSTSP 2022 |
Konuşmacı doğrulama satırındaki yöntem değişikliğine dikkat edin: bu sonuç SUPERB’ün dondurulmuş düzeninden değil, ince ayardan geliyor; yani bir lider tablosu puanı değil. IEEE derlemesi ayrıca en üstte farkın ne kadar küçülebildiğini de gösteriyor: niyet sınıflandırmada 0,5 yüzde puan.
4. SUPERB-SG ve 15 Görevlik Kıyaslama: Öz Denetimin Yardımının Bittiği Yer
SUPERB-SG, anlambilim ve üretim alanında beş daha zor görev ekledi. En büyük sıçrama çeviride görülüyor: bir çeviri kalitesi puanı olan BLEU, 2,32’den 20,01’e yükseldi. Ses dönüştürme de keskin biçimde iyileşiyor; burada, dönüştürülmüş seste bir tanıyıcının kaç kelimeyi yanlış anladığıyla ölçülüyor.
Sonra kazanımlar duruyor. İyileştirme ve ayrıştırma düşük düzey sinyal ayrıntısına bağlı ve yazarlar bu iki görevin geri kalanlarla güçlü bir korelasyon göstermediğini buldu. wav2vec 2.0 Large, PESQ konuşma kalitesi puanında aslında FBANK’ın altında kalıyor. Dergi sürümü bunu büyük ölçekte doğruluyor: konuşmayı özetlemek için kurulmuş bir model, onu yeniden oluşturmakta kendiliğinden iyi değildir. Bu tablonun ayrıştırma tarafı için konuşma ayrıştırma istatistiklerimize bakın.
| Metrik | Değer | Kaynak |
|---|---|---|
| CoVoST2 üzerinde konuşma çevirisi BLEU (İngilizceden Almancaya), FBANK ile HuBERT Large | 2,32 karşı 20,01 | Tsai vd., SUPERB-SG, ACL 2022 |
| Alan dışı konuşma tanıma WER (İspanyolca, Mandarin, Arapça ve spontan İngilizce), FBANK ile HuBERT Large | %63,58 karşı %44,08 | Tsai vd., SUPERB-SG, ACL 2022 |
| VCC2020 üzerinde ses dönüştürülmüş konuşmanın WER’i, FBANK ile HuBERT Large | %38,3 karşı %9,0 | Tsai vd., SUPERB-SG, ACL 2022 |
| Konuşma ayrıştırma SI-SDRi puanı (sinyal kalitesi iyileşmesi, yüksek olan daha iyi), FBANK ile HuBERT Large | 9,23 karşı 10,45 | Tsai vd., SUPERB-SG, ACL 2022 |
| Voicebank-DEMAND üzerinde konuşma iyileştirme PESQ puanı, FBANK ile wav2vec 2.0 Large ile HuBERT Large | 2,55 karşı 2,52 karşı 2,64 | Tsai vd., SUPERB-SG, ACL 2022 |
| Görev sonuçlarının ASR ile korelasyonu, konuşma çevirisi ve alan dışı ASR için | her biri 0,92 | Tsai vd., SUPERB-SG, ACL 2022 |
| Kıyaslanan 33 modelden 15 görevin hepsinde FBANK’ı geçenlerin payı | Yaklaşık yarısı | Yang vd., IEEE/ACM TASLP 2024 |
| Geri kalan modellerin FBANK’ın gerisinde kaldığı görevler | 15 görevden yaklaşık 1 ile 3 tanesi, çoğunlukla iyileştirme ve ayrıştırma | Yang vd., IEEE/ACM TASLP 2024 |
Alan dışı satır dikkat hak ediyor: HuBERT Large, bu dört alt görev genelinde hâlâ ortalama %44,08 hata oranına sahip (Mandarin karakter hata oranıyla puanlanır); bu, İngilizce LibriSpeech üzerindeki %3,62 değerinin çok üzerinde.
5. Ölçekleme: Parametreler, Ön Eğitim Saatleri ve Lider Tablosu
SUPERB @ SLT 2022 yarışmasındaki en büyük model, WavLM-large’ın yaklaşık iki katı parametreye sahipti ve 394 puan daha düşük skor aldı (1242 - 848). Boyut, eğitim tarifesinden daha azını satın alıyor. En net kanıt WavLM Base+: Base boyutuna denk gelen 94,70M parametreyle kaldı, daha çeşitli eğitim sesi ekledi ve boyutunun 3 katından fazla (316,61 / 94,70 = 3,34) bir modeli geçti.
Yarışma puanı FBANK temel yöntemini 0’a, 15 Ekim 2021 tarihli en iyi sonucu 1000’e sabitler; dolayısıyla 1000’in üzerindeki her şey o anlık görüntüyü geçer. WavLM makalesindeki genel puan FBANK’ın 43,2 olduğu ayrı bir ölçektir ve ikisi karşılaştırılmamalıdır. Bu arada ön eğitim verisi WavLM’in 94.000 saatinden milyonlarca saate çıktı ve fatura artık GPU süresinde görünüyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| Genel SUPERB puanı, HuBERT Large ile WavLM Large (ikisi de yaklaşık 316,6M parametre) | 72,2 karşı 74,6 | Microsoft, WavLM, IEEE JSTSP 2022 |
| Genel SUPERB puanı, WavLM Base+ (94,70M parametre) ile HuBERT Large (316,61M parametre) | 73,4 karşı 72,2 | Microsoft, WavLM, IEEE JSTSP 2022 |
| WavLM ön eğitim sesi | 94.000 saat (60.000 Libri-Light, 10.000 GigaSpeech, 24.000 VoxPopuli) | Microsoft, WavLM, IEEE JSTSP 2022 |
| WavLM-large’ın gizli küme yarışma puanı, boyut ve hesaplama yüküyle | 1242 (315,45M parametre, 4.326G MAC) | Feng vd., SUPERB @ SLT 2022 |
| En büyük gönderimin gizli küme yarışma puanı, Unsupervised ASR + T5 (619,82M parametre) | 848 | Feng vd., SUPERB @ SLT 2022 |
| Beş veri kümesine yayılan XLS-R ön eğitim sesi | 436.000 saat | Mohamed vd., IEEE JSTSP 2022 |
| XEUS model boyutu ve ön eğitim hesaplama yükü | 577M parametre; 1 milyon saatin üzerinde ses; yaklaşık 40 günde 64 A100 GPU üzerinde 63.000 GPU saati | Chen vd., XEUS, EMNLP 2024 |
| Google Universal Speech Model ön eğitim sesi | 300’den fazla dilde 12 milyon saat | Google, USM makalesi 2023 |
MAC’ler (çarp-topla işlemleri), bir modelin çalışması için ne kadar hesaplama gerektiğini tahmin eder. Google satırı yalnızca ölçek referansıdır: o model için bir SUPERB puanı bulamadık.
6. Çok Dilli Lider Tabloları: İngilizce Sıralama Başka Dillere Taşınıyor mu?
Yalnızca kısmen. İngilizce SUPERB’de lider olan WavLM, 2025 çok dilli yarışmasında en zayıf temel modeldi: karakter hata oranı %72,0 iken XEUS’ta %40,2. Yarışma makalesi bu modeli yalnızca İngilizce olarak tanımlıyor; bu da bir lider tablosu sırasının mimariden olduğu kadar ön eğitim sesi hakkında da bilgi verdiğini düşündürüyor. Konuşma kodlayıcılarının diller arasında gömme düzeyinde nasıl davrandığı için çok dilli konuşma gömme istatistiklerimize bakın.
ML-SUPERB puanını aynı şekilde yeniden ölçekler, FBANK 0’dadır. Ölçekleme burada da ters tepiyor: büyük modeller genellikle tek dilli ASR’de kazandı, ancak yazarlar temel modellerin çok dilli durumlara büyük sürümlerinden daha iyi genelleme eğiliminde olduğunu buldu. ML-SUPERB 2.0 yarışması ise lehçeleri çözülmemiş kısım olarak gösteriyor: XEUS karakter hata oranı %40,2’den %68,7’ye yükseliyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| 143 dil genelinde ML-SUPERB eğitim sesi, 10 dakikalık küme ile 1 saatlik küme | 37,43 saat karşı 222,46 saat | Shi vd., ML-SUPERB, Interspeech 2023 |
| En iyi model XLSR-128’in ML-SUPERB puanı, 10 dakikalık eğitim kümesi ile 1 saatlik eğitim kümesi | 947,5 karşı 996,0 | Shi vd., ML-SUPERB, Interspeech 2023 |
| 10 dakikada ML-SUPERB puanı, wav2vec2-base ile wav2vec2-large | 755,2 karşı 598,3 | Shi vd., ML-SUPERB, Interspeech 2023 |
| 10 dakikada / 1 saatte ML-SUPERB puanı: XEUS (577M parametre, 1M saat) ile MMS 1B (1B, 491K saat) ile w2v-BERT 2.0 v2 (580M, 4,5M saat) | 956 / 956 karşı 953 / 948 karşı 826 / 916 | Chen vd., XEUS, EMNLP 2024 |
| Standart konuşmada karakter hata oranı, XEUS ile yalnızca İngilizce WavLM | %40,2 karşı %72,0 | Chen vd., ML-SUPERB 2.0 Challenge, Interspeech 2025 |
| XEUS karakter hata oranı, standart konuşma ile lehçe konuşma | %40,2 karşı %68,7 | Chen vd., ML-SUPERB 2.0 Challenge, Interspeech 2025 |
w2v-BERT 2.0 v2 bu karşılaştırmada en çok ön eğitim sesine ve en düşük puana sahipti; yani yalnızca daha fazla saat de meseleyi çözmedi. Özgün ML-SUPERB ve XEUS karşılaştırmasındaki puanlar her makalenin kendi içinde okunmalı, makaleler arasında değil.
7. Verimlilik ve Gerçek Dünyada Benimsenme
Önde gelen modeller pahalı ve bir araştırma çizgisi artık onları küçültmeye çalışıyor. DistilHuBERT en açık örnek, ancak yarışma verisi bedelini gösteriyor: 27,03M parametreyle 617 puan aldı; 94,70M parametreli HuBERT-base ise 784. En küçük yarışma modeli yalnızca 104 puan aldı; yani sıkıştırma, manşet yüzdelerin ima ettiğinden daha fazlasını kaybettiriyor.
Kıyaslamanın kendisi de bir maliyet oldu ve MiniSUPERB tam olarak bunu hedefliyor. İndirme sayıları daha yeni bir sinyal ekliyor: wav2vec2-base-960h, lider tablosu onu daha aşağıya yerleştirmiş olsa da WavLM Large ve HuBERT Large modellerinden daha çok çekiliyor. Benimsemesi kolay olmak ve ilk olmak çok şey ifade ediyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| DistilHuBERT, HuBERT ile karşılaştırıldığında | %75 daha küçük, %73 daha hızlı | Chang vd., DistilHuBERT, ICASSP 2022 |
| Gizli küme yarışma puanı, DistilHuBERT (27,03M parametre) ile HuBERT-base (94,70M parametre) | 617 karşı 784 | Feng vd., SUPERB @ SLT 2022 |
| En küçük yarışma modeli, Chimera MelHuBERT v1 | 22,50M parametre, 271G MAC, puan 104 | Feng vd., SUPERB @ SLT 2022 |
| MiniSUPERB hesaplama azaltımı ve SUPERB yarışmasıyla sıra korelasyonu | %97 daha az MAC; Spearman 0,982 | Wang vd., MiniSUPERB, IEEE ASRU 2023 |
| Gereken GPU sayısı: SUPERB tarifeleri ile resmî wav2vec 2.0 Large ince ayar tarifesi | 1 GPU karşı yaklaşık 4 ile 8 GPU | Yang vd., IEEE/ACM TASLP 2024 |
| Son ayda indirme, facebook/wav2vec2-base-960h | 1.737.874 | Hugging Face model sayfası, 31 Ekim 2026 |
| Son ayda indirme, microsoft/wavlm-large | 1.068.711 | Hugging Face model sayfası, 31 Ekim 2026 |
| Son ayda indirme, facebook/hubert-large-ls960-ft | 616.230 | Hugging Face model sayfası, 31 Ekim 2026 |
Bir indirme sayacı insanları değil çekmeleri kaydeder; bu satırları kullanıcı sayısı olarak değil, etkinlik göstergesi olarak okuyun.
Özet: Rakamlarla Öz Denetimli Konuşma Modeli SUPERB Lider Tablosu
| Metrik | Değer | Kaynak |
|---|---|---|
| 10 dakikalık etiketle WER, wav2vec 2.0 Large (test-clean / test-other) | %4,8 / %8,2 | Meta AI, wav2vec 2.0, NeurIPS 2020 |
| 960 saatlik etiketin tamamıyla WER, wav2vec 2.0 Large (test-clean / test-other) | %1,8 / %3,3 | Meta AI, wav2vec 2.0, NeurIPS 2020 |
| Fonem hata oranı, FBANK ile HuBERT Large | %82,01 karşı %3,53 | Yang vd., SUPERB, Interspeech 2021 |
| SUPERB üzerinde konuşma tanıma WER, WavLM Large ile XEUS | %3,44 karşı %3,34 | Chen vd., XEUS, EMNLP 2024 |
| IEMOCAP üzerinde duygu tanıma doğruluğu, XEUS | %71,08 | Chen vd., XEUS, EMNLP 2024 |
| VoxCeleb1-O üzerinde konuşmacı doğrulama EER, ECAPA-TDNN referansı ile ince ayarlı WavLM Large | %1,010 karşı %0,383 | Microsoft, WavLM, IEEE JSTSP 2022 |
| Konuşma çevirisi BLEU, FBANK ile HuBERT Large | 2,32 karşı 20,01 | Tsai vd., SUPERB-SG, ACL 2022 |
| 15 görevin hepsinde FBANK’ı geçen modeller | 33’ün yaklaşık yarısı | Yang vd., IEEE/ACM TASLP 2024 |
| WavLM-large’ın gizli küme yarışma puanı | 1242 | Feng vd., SUPERB @ SLT 2022 |
| Genel SUPERB puanı, WavLM Base+ ile HuBERT Large | 73,4 karşı 72,2 | Microsoft, WavLM, IEEE JSTSP 2022 |
| XEUS ön eğitim hesaplama yükü | 63.000 GPU saati | Chen vd., XEUS, EMNLP 2024 |
| Google Universal Speech Model ön eğitim sesi | 12 milyon saat | Google, USM makalesi 2023 |
| 1 saatlik eğitim kümesinde XLSR-128’in ML-SUPERB puanı | 996,0 | Shi vd., ML-SUPERB, Interspeech 2023 |
| Standart konuşmada karakter hata oranı, XEUS ile yalnızca İngilizce WavLM | %40,2 karşı %72,0 | Chen vd., ML-SUPERB 2.0 Challenge, Interspeech 2025 |
| DistilHuBERT, HuBERT ile karşılaştırıldığında | %75 daha küçük, %73 daha hızlı | Chang vd., DistilHuBERT, ICASSP 2022 |
| MiniSUPERB hesaplama azaltımı | %97 daha az MAC | Wang vd., MiniSUPERB, IEEE ASRU 2023 |
| Son ayda indirme, facebook/wav2vec2-base-960h | 1.737.874 | Hugging Face model sayfası, 31 Ekim 2026 |
Metodoloji ve Kaynaklar
- SUPERB: Speech processing Universal PERformance Benchmark (Yang vd., Interspeech 2021)
- SUPERB-SG (Tsai vd., ACL 2022)
- A Large-Scale Evaluation of Speech Foundation Models (Yang vd., IEEE/ACM TASLP 2024)
- SUPERB @ SLT 2022 yarışma raporu (Feng vd., 2022)
- ML-SUPERB (Shi vd., Interspeech 2023)
- The ML-SUPERB 2.0 Challenge (Chen vd., Interspeech 2025)
- MiniSUPERB (Wang vd., 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 vd., EMNLP 2024)
- Universal Speech Model (Google, 2023)
- DistilHuBERT (Chang vd., ICASSP 2022)
- Self-Supervised Speech Representation Learning: A Review (Mohamed vd., IEEE JSTSP 2022)
- Hugging Face model sayfaları: facebook/wav2vec2-base-960h, microsoft/wavlm-large, facebook/hubert-large-ls960-ft (31 Ekim 2026)
- Veri notu: canlı SUPERB lider tablosu 31 Ekim 2026’da okunamadı (sunucu bağlantıyı reddetti ve kıyaslamanın GitHub sayfası hiç puan göstermiyor); bu yüzden buradaki her SUPERB rakamı yayımlanmış makalelerden geliyor ve daha yeni bir gönderim olabilir. Birbirinin yerine kullanılamayan üç puan ölçeği görülüyor: WavLM makalesindeki genel puan, yarışma puanı (temel yöntem 0, 15 Ekim 2021 tarihli en iyi sonuç 1000) ve ML-SUPERB puanı. ML-SUPERB 1 saatlik kümede wav2vec2-large için 586,9 puanı, o makalenin tablosunda komşularından çok düşük basılmış 8,0 dil tanımlama değerinin ardından geliyor; bu yüzden bu tek fark dikkatle okunmalı. Parametre sayıları makaleye göre hafifçe değişiyor: WavLM Large için 316,62M ile 315,45M, WavLM Base+ için 94,70M ile 94,38M. Kaynaklar içindeki küçük çelişkiler: SUPERB metni HuBERT konuşmacı doğrulama için 5,10 derken tablosu 5,11 veriyor (biz tabloyu kullanıyoruz); XEUS metni en iyi 10 dakikalık karakter hata oranı için 33,3 verirken tablosu XEUS için 30,3, MMS 1B için 33,3 veriyor; ML-SUPERB 2.0 makalesi hem 149 hem 154 dil belirtiyor ve özet kazanımları 4.1 numaralı bölümüyle uyuşmuyor, bu yüzden yalnızca temel yöntem tablosunu aktarıyoruz. Hugging Face indirmeleri son bir ayın kayan toplamıdır ve her gün değişir. SUPERB sonuçlarının çoğu 2021 ile 2024 arasına ait, bu yüzden onları 2026 ölçümleri olarak değil, mevcut en güncel veri olarak değerlendirin.
Son güncelleme: 31 Ekim 2026. Bu derlemeyi üç ayda bir güncelliyoruz ve bir sonraki yenilemenin, bir sonraki ML-SUPERB yarışması sonuçları yayımlandığında yapılması bekleniyor.