Phi-4-multimodal-instruct
Microsoft · États-Unis
- Poids ouverts
- Licence : MIT
- Français annoncé
En bref : 17e sur 39 en transcription en français.
Présentation
Petit modèle multimodal ouvert de la famille Phi, qui prend en entrée texte, image et audio et répond en texte. Côté voix, il assure transcription et traduction de la parole dans un seul modèle, sans chaîne de deux modèles. Lu sur huggingface.co, le 17/10/2026.
- Sortie
- février 2025 lu sur la page de l'éditeur
- Taille
- 5,6 milliards de paramètres lu sur la page de l'éditeur
Langues
- Annoncées par l'éditeur : 8 langues pour l'audio, dont le français (en, zh, de, fr, it, ja, es, pt). Lu sur huggingface.co.
- Évaluées par nos sources : français.
- Le français : annoncé par l'éditeur ; évalué, 17e sur 39 en transcription en français (5,04 %).
Son classement
Chaque ligne vient d'une seule source, dans son unité : les chiffres de deux lignes ne se comparent pas entre eux. Ils ne comptent pas dans le score des modèles de langage.
- En français · Transcription
Transcription en français
17e sur 39taux d'erreur par mot 5,04 %
Vitesse : RTFx 128 : transcrit 128 secondes d'audio par seconde de calculPar jeu de test : Common Voice 6,89 %, FLEURS 4,08 %, MLS 4,14 %
Source : Open ASR Leaderboard, Hugging Face · relevé du 19 octobre 2026, version du 17 octobre 2026.
Modèles proches
- Transcription en français : devant, Speechmatics Enhanced (16e, 4,89 %) · derrière, omniASR-LLM-7B-v2 (18e, 5,25 %)
Comment lire ces chiffres
Transcription : Le taux d'erreur par mot compte les mots mal transcrits, oubliés ou ajoutés, pour cent mots prononcés : plus il est bas, mieux c'est. Chaque tableau vient d'une seule source, sur ses propres enregistrements : deux tableaux ne se comparent pas chiffre à chiffre.
D'où vient cette fiche
- Nom dans les sources
- Hugging Face (hf-audio) :
microsoft/Phi-4-multimodal-instruct - Fiche
- Nom et éditeur tels que la source les écrit ; présentation et langues lues sur les pages de l'éditeur.
- Pages lues
- https://huggingface.co/microsoft/Phi-4-multimodal-instruct/raw/main/README.md (« The model processes text, image, and audio inputs, generating text outputs, and comes with 128K token context length. »), 17/10/2026
- https://huggingface.co/microsoft/Phi-4-multimodal-instruct/raw/main/README.md (« To achieve this, users needed to use a pipeline of two models: one model to transcribe the audio to text, and another model for the language or vision tasks. »), 17/10/2026
- https://huggingface.co/microsoft/Phi-4-multimodal-instruct/raw/main/README.md (« + Audio: English, Chinese, German, French, Italian, Japanese, Spanish, Portuguese »), 17/10/2026
- https://huggingface.co/microsoft/Phi-4-multimodal-instruct/raw/main/README.md (« Phi-4-multimodal-instruct has 5.6B parameters and is a multimodal transformer model. »), 17/10/2026
- https://huggingface.co/microsoft/Phi-4-multimodal-instruct/raw/main/README.md (« Release date:** February 2025 »), 17/10/2026
Voir aussi : la voix en bref, la transcription, la synthèse vocale, ou cette fiche en texte.