/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
speechx · dense
Базовая модель
whisper-base
Опубликована
11 сен 2026

SpeechX

Классификация аудиоАудио → label3 профессии

Классификатор на энкодере Whisper Base, который определяет язык речи и пол говорящего по короткому аудиоклипу.

126скачиваний за 30 дней4лайкавеса обновлены4 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SpeechX — многозадачный классификатор коротких аудиозаписей, дообученный на энкодере OpenAI Whisper Base. Он одновременно предсказывает пол говорящего и язык речи: аудио преобразуется в лог-мел признаки, затем энкодер формирует представление размерности 512, которое поступает в две классификационные головы. Декодер Whisper не используется; модель содержит около 20,6 млн параметров и хранит веса в формате fp16.

Модель предназначена для быстрой идентификации языка и определения пола по голосу, предварительной маршрутизации аудио в системы распознавания речи, аналитики звонков, профилирования голосовых помощников и разметки аудиоданных. README заявляет 109 языковых классов, точность определения пола 97,75%, top-1 точность языка 87,16% и top-5 97,10%; на NVIDIA L4 указана задержка 18,6 мс на одиночный клип. Модель принимает монофоническое аудио 16 кГц.

Качество определения языка заметно зависит от объёма обучающих данных: для языков менее чем с 50 обучающими клипами результаты ненадёжны. На CPU одиночный клип обрабатывается примерно за 317 мс, поэтому сценарии реального времени ориентированы на GPU. Лицензия — Apache-2.0.

Сценарии применения

  • определение языка короткой аудиозаписи
  • классификация голоса по полу говорящего
  • выбор модели распознавания речи по языку клипа
  • анализ аудиозаписей телефонных звонков
  • автоматическая разметка языков в аудиодатасете

Ограничения

Для языков с менее чем 50 обучающими клипами авторы отмечают ненадёжные результаты; точность top-1 определения языка ниже, чем top-5. На CPU обработка одного клипа занимает около 317 мс, поэтому для работы в реальном времени предпочтителен GPU.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SpeechX

Multi-task speech classifier based on the Whisper-base encoder that predicts a speaker's gender and language from a short audio clip.

Use cases

  • Fast language identification (LID) — 19 ms per clip end-to-end on a single GPU (well under 40–50 ms), or 270 clips/s batched; 109 languages, 97% top-5 accuracy
  • Gender detection from voice — 97.8% accuracy, same single forward pass (both predictions come together)
  • Pre-routing for ASR pipelines (pick the right transcription model per clip), call-center analytics, voice assistant profiling, dataset auditing/labeling

Model architecture

audio (16 kHz mono, short clips)
  → Whisper log-mel feature extractor (80 bins)
  → Whisper-base encoder (20.6M params, fp16)
  → mean pooling over time → 512-d embedding
  → Linear(512 → 2)    gender head
  → Linear(512 → 109)  language head

The Whisper decoder is not used. Weights are stored in fp16 (39 MB).

Training data

  • Train: 423,772 clips (106 languages)
  • Validation: 50,000 clips (108 languages, stratified)

Training: 3 epochs, AdamW, bf16, OneCycle LR (heads 1e-4, encoder 1e-5).

Results (validation, 50K clips)

Gender (2 classes)

MetricValue
Accuracy97.75%
Precision (macro)97.52%
Recall (macro)97.63%
F1 (macro)97.58%
ClassPrecisionRecallF1
female0.9670.9720.969
male0.9840.9810.982

Language (109 classes)

MetricValue
Top-1 accuracy87.16%
Top-1 accuracy (66 well-resourced langs, F1 ≥ 70%)89.96%
Top-5 accuracy97.10%
Precision (macro)72.68%
Recall (macro)67.77%
F1 (macro)68.66%

Key languages (validation F1):

LanguagePrecisionRecallF1
Arabic (ar)0.9040.8960.900
English (en)0.8690.8590.864
Spanish (es)0.8340.8480.841
French (fr)0.8920.8290.859
German (de)0.8560.8590.858
Italian (it)0.8160.8730.844
Portuguese (pt)0.7350.8620.794
Russian (ru)0.7830.8300.806
Turkish (tr)0.8280.8770.852
Persian (fa)0.7930.8750.832
Urdu (ur)0.8210.8580.839
Hindi (hi)0.6710.6470.659
Japanese (ja)0.9550.9430.949
Korean (ko)0.9330.9490.941
Chinese Mandarin (zh-CN)0.8760.8840.880
Chinese Taiwan (zh-TW)0.8000.8230.811
Indonesian (id)0.9000.8830.892
Swahili (sw)0.9180.9380.928
Polish (pl)0.8140.8360.825
Ukrainian (uk)0.8430.8580.851

High-resource languages overall (ta, ka, hu, lg, rw…) reach 90–97% F1. Languages with < 50 training clips are unreliable.

Latency

DeviceModeLatency
NVIDIA L4 (fp16)single clip (load + features + forward)18.6 ms (54 clips/s)
NVIDIA L4 (fp16)batch 64237 ms/batch → 270 clips/s
CPU (8 threads, fp32)single clip317 ms (3.2 clips/s)

GPU is fast enough for real-time LID/gender gating with a sub-50 ms budget per clip. CPU works for offline/batch processing; for real-time CPU use consider int8 quantization or distilling to whisper-tiny.

Usage

SpeechX is a native HF model (auto_map + trust_remote_code) — load it with AutoModel:

import torch
import torchaudio
from transformers import AutoModel, WhisperFeatureExtractor

model = AutoModel.from_pretrained(
    "AhmedReda25300/SpeechX", trust_remote_code=True, dtype=torch.float16
).cuda().eval()
fe = WhisperFeatureExtractor.from_pretrained("AhmedReda25300/SpeechX")

wav, sr = torchaudio.load("clip.wav")
wav = wav.mean(dim=0)                                    # mono
if sr != 16000:
    wav = torchaudio.functional.resample(wav, sr, 16000)

x = fe(wav.numpy(), sampling_rate=16000, return_tensors="pt").input_features.cuda().half()

with torch.no_grad():
    pred = model.predict(x)                              # convenience method
print(pred)
# {'gender': 'male', 'gender_confidence': 0.9571,
#  'language_topk': [{'lang': 'ar', 'prob': 0.312}, {'lang': 'fa', 'prob': 0.184}, ...]}

License

Apache-2.0. The Whisper base model is MIT-licensed (OpenAI); Common Voice audio is CC0.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · audio-classification

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
SpeechXModel
Ревизия весов
3a4532c

0 моделей