/ Модель

Характеристики

Параметры
113 млн
Архитектура
wavlm · dense
Опубликована
8 июл 2024

wavLM-base-Deepfake_V1

Классификация текстаТекст → label3 профессии

Дообученная WavLM-модель для классификации аудио, предположительно предназначенная для обнаружения аудиодипфейков.

20скачиваний за 30 дней0лайковвеса обновлены9 июл 2024

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

DavidCombei/wavLM-base-Deepfake_V1 — модель классификации аудио на архитектуре WavLM, дообученная на основе microsoft/wavLM-base. В карточке указаны 113,3 млн параметров и формат PyTorch; модель создана 8 июля 2024 года.

Модель предназначена для классификации аудио. Название репозитория указывает на обнаружение дипфейков, однако README не описывает назначение подробнее и не раскрывает обучающий датасет. На указанном наборе оценки получены loss 0,2510 и accuracy 0,9693; условия и методика оценки не приведены.

Лицензия и ограничения применения в предоставленных данных не описаны.

Сценарии применения

  • классификация аудиозаписей
  • предварительное выявление синтетической или поддельной речи
  • оценка аудио на признаки дипфейка

Ограничения

README не раскрывает обучающий датасет, подробное назначение и методику оценки; приведённые метрики нельзя интерпретировать без этих сведений. Лицензия в предоставленных данных не указана.

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

wavLM-base-UTCN_114k

This model is a fine-tuned version of microsoft/wavLM-base on an unknown dataset. It achieves the following results on the evaluation set:

  • Loss: 0.2510
  • Accuracy: 0.9693

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 3e-05
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 32
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_ratio: 0.1
  • num_epochs: 5

Training results

Training LossEpochStepValidation LossAccuracy
0.00031.035870.20070.9656
0.00012.071740.49330.9359
0.00013.0107610.40200.9433
0.02054.0143480.25100.9693
0.00035.0179350.65990.9196

Framework versions

  • Transformers 4.30.0
  • Pytorch 2.3.1+cu121
  • Datasets 2.20.0
  • Tokenizers 0.13.3

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Нельзя запустить

Для архитектуры wavlm нет загрузчика под задачу text-classification.

Класс архитектуры
WavLMForSequenceClassification
Ревизия весов
32b7049

0 моделей