/ Модель

Характеристики

Параметры
113 млн
Архитектура
wavlm · dense
Опубликована
3 июл 2024

wavLM-base-Deepfake_V3

Классификация текстаТекст → label3 профессии

Дообученная на базе WavLM Base модель классифицирует аудио для выявления дипфейковой речи.

90скачиваний за 30 дней0лайковвеса обновлены3 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_V3 — модель классификации аудио, созданная дообучением Microsoft WavLM Base. Она предназначена для выявления дипфейкового аудио. Модель использует архитектуру WavLMForSequenceClassification и содержит 113,3 млн параметров.

На оценочном наборе указана точность 0,73 и функция потерь 0,9119. Данные для обучения и оценки, языковая поддержка и подробные ограничения не описаны. Модель опубликована в формате PyTorch; сведения о лицензии в использованных данных отсутствуют.

Сценарии применения

  • Проверка аудиозаписей на признаки дипфейковой речи
  • Первичная сортировка подозрительных голосовых сообщений
  • Классификация аудио при анализе подлинности голосовых записей

Ограничения

На оценочном наборе точность составляет 0,73; состав и размер этого набора, а также данные обучения не раскрыты. Языковая поддержка и лицензия в доступных сведениях не описаны.

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-DeepFake_UTCN

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: 0.9119
  • Accuracy: 0.73

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
0.03161.02811.00760.6022
0.04862.05621.29970.4522
0.07883.08431.17930.6089
0.05594.011251.06750.6678
0.03965.014050.91190.73

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
cb4a1b9

0 моделей