/ Модель

Характеристики

Лицензия
MIT
Архитектура
turn_detector · dense
Базовая модель
whisper-tiny
Библиотека
transformers
Опубликована
3 сен 2026

hindi-turn-detector-with-random-pauses

Классификация аудиоАудио → label3 профессии

Модель классифицирует аудио на хинди, определяя, закончил ли говорящий реплику или продолжит после паузы.

25скачиваний за 30 дней1лайквеса обновлены3 сен 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

Archan разработал модель для определения по аудио на хинди, завершил ли говорящий свою реплику или сделал паузу перед продолжением. Она предназначена, например, для управления очередностью реплик в голосовых интерфейсах и системах разговорного ИИ.

Модель основана на Whisper Tiny с классификационной головой: большая часть слоёв заморожена, а слои внимания обучались. Для обучения использовалась хинди-часть набора pipecat-ai/smart-turn-data-v3.2-train; часть аудиозаписей дополнили искусственными паузами длительностью от 250 до 1500 мс. Модель принимает аудио и выдаёт классификацию наличия завершённой реплики; поддерживаемый язык — хинди. Лицензия — MIT.

В README приведены результаты оценки: F1 0,602 на чистой выборке и 0,614 на выборке с искусственными паузами. Эти показатели указывают на ограниченную точность определения хода речи. Добавление пауз описано как базовая аугментация, поэтому поведение на естественных паузах и других языках может отличаться.

Сценарии применения

  • определение конца реплики в голосовом чате на хинди
  • управление очередностью ответов голосового ассистента
  • выявление паузы перед продолжением речи на хинди

Ограничения

F1 на приведённых оценочных выборках составляет около 0,60; точность определения хода речи ограничена. Искусственные паузы добавлялись базовым способом, а модель обучена только на хинди.

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

Hindi turn detector

The idea is to have a detect and label correctly whether a speech taken completely in hindi has paused or will continue.

This dataset used for this is the hindi subset from pipecat smart turn v3.2. The data was streamed and only rows pertaining to hindi were picked up.

Adding Pauses

After the hindi data points were separated, I added a script that would directly inject pauses within the audio itself, ranging from 250ms to 1500ms mimicking real human pauses. Although its done at a very basic level and can be improved further.

Model description

Whisper tiny has been used here with a classifier head and frozen layers. Only keeping the attention layers open during the training process

Training and evaluation data

The data was augmented with a ratio of 0.5, which meant that out of 10K training data points 5K would be randomly injected with pauses. Eval data was kept in two chunks where we had one set without the injected pauses and another having injected pauses.

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 5e-05
  • train_batch_size: 16
  • eval_batch_size: 16
  • seed: 42
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 32
  • optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 0.1
  • num_epochs: 40
  • mixed_precision_training: Native AMP

Training results

Result on Clean Eval Set

Training LossValidation LossStepAccuracyPrecisionRecallF1
0.6409930.655236125200.5980000.6063940.5968530.601586

Result on Augmented Eval Set

Training LossValidation LossStepAccuracyPrecisionRecallF1
0.6409930.652816125200.6060000.6114900.6175020.614481

Framework versions

  • Transformers 5.16.1
  • Pytorch 2.11.0+cu128
  • Datasets 4.0.0
  • Tokenizers 0.23.1

Code

You can find the training and data-prep code here.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · audio-classification

Нельзя запустить

Архитектура turn_detector неизвестна transformers в образе рантайма.

Класс архитектуры
TurnDetector
Ревизия весов
305849d

0 моделей