/ Модель

Характеристики

Контекст
1 024 токена
Параметры
153 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-small
Опубликована
11 июн 2025

NoisySpeechDetection-v0.2

Классификация аудиоАудио → label8 профессий

Бинарный классификатор на базе Whisper определяет, перекрывает ли речь фоновый шум окружающей среды.

115скачиваний за 30 дней11лайковвеса обновлены11 июн 2025

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

Etherll разработала бинарный классификатор аудио на базе Whisper, дообученный от unsloth/whisper-small. Модель с 153,1 млн параметров определяет, содержит ли запись речи значимый фоновый шум окружающей среды: LABEL_0 означает clean, LABEL_1 — noisy. Для обучения использован специально собранный набор примерно из 55 тысяч аудиофрагментов.

Модель предназначена для предварительной фильтрации аудиодатасетов, автоматической маркировки записей при контроле качества и отбора аудио перед передачей в систему распознавания речи. Она принимает аудио и возвращает метку класса. Лицензия — Apache-2.0.

Классификатор считает чистыми не только качественные записи, но и записи с артефактами источника, такими как шипение, клиппинг или плохое качество микрофона. Он выявляет именно фоновый шум окружающей среды, например автомобили, музыку или другие голоса. Модель не подавляет шум и не очищает аудио.

Сценарии применения

  • фильтрация чистых аудиозаписей в больших наборах данных
  • автоматическая маркировка шумных речевых фрагментов
  • контроль качества аудиозаписей
  • отбор аудио перед распознаванием речи

Ограничения

Модель только классифицирует наличие фонового шума и не выполняет шумоподавление. Шипение, клиппинг и другие артефакты источника могут классифицироваться как clean; заявлена поддержка английского языка.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Speech Quality and Environmental Noise Classifier

This is a binary audio classification model that determines if a speech recording is clean or if it is degraded by environmental noise.

It is specifically trained to be robust and understand the difference between clean audio and audio that has actual background noise (like cars, music, or other people talking).

  • LABEL_0: clean: The audio contains speech with no significant environmental noise. This includes high-quality recordings as well as recordings with source artifacts like hiss, clipping, or "bad microphone" quality.
  • LABEL_1: noisy: The audio contains speech that is obscured by external, environmental background noise.

Intended Uses & Limitations

This model is ideal for:

  • Pre-processing a large audio dataset to filter for clean samples.
  • Automatically tagging audio clips for quality control.
  • As a gate for ASR (Automatic Speech Recognition) systems that perform better on clean audio.

Limitations:

  • This model is a classifier, not a noise-reduction tool. It only tells you if environmental noise is present.
  • Its definition of "noisy" is based on environmental sounds. It is trained to classify audio with only source artifacts (like microphone hum or pure static) as clean.

How to Use

The easiest way to use this model is with a pipeline.

pip install transformers torch
from transformers import pipeline

classifier = pipeline("audio-classification", model="Etherll/NoisySpeechDetection-v0.2")

# Classify a local audio file (must be a WAV or other supported format)
# The pipeline automatically handles resampling to 16kHz.
results = classifier("path/to/your_audio_file.wav")

# The result is a list of dictionaries
# [{'score': 0.9979726672172546, 'label': 'clean'},
# {'score': 0.002027299487963319, 'label': 'noisy'}]
print(results)

Note: The model outputs a confidence score for each label. In my use case, I consider audio to be clean if the score for the clean label is greater than 0.7.

Training Data

This model was trained on a sophisticated, custom-built dataset of ~55,000 audio clips, specifically designed to teach the nuances of audio quality.

This whisper model was trained 2x faster with Unsloth and Huggingface's TRL library.

Как запустить

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

GPU в ailist

Универсальный рантайм · audio-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
WhisperForAudioClassification
Ревизия весов
4ea97e0

0 моделей