/ Модель

Характеристики

Лицензия
MIT
Архитектура
laughter_detection · dense
Библиотека
pytorch
Опубликована
1 сен 2026

chuckleNet-v2

Классификация аудиоАудио → label3 профессии

ChuckleNet v2 объединяет признаки WavLM и просодические характеристики для классификации речевых фрагментов по наличию смеха.

263скачиваний за 30 дней1лайквеса обновлены9 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

ChuckleNet v2 — модель классификации аудио, разработанная автором репозитория Hayasuki для обнаружения смеха в отдельных речевых фрагментах, в том числе в записях стендап-комедии и выступлений в стиле TED. Модель объединяет 768-мерные эмбеддинги WavLM-base с 23 просодическими признаками, затем использует полносвязную классификационную сеть. Реализация основана на PyTorch; в метаданных архитектура обозначена как WavLMForLaughterDetection.

Воспроизводимая оценка на наборе Gillick-162v показала segment F1 0,559 при разбиении видео между обучением и проверкой. На небольшом наборе с разметкой по маркерам смеха результаты ниже. Модель предназначена для исследовательской оценки распознавания смеха, а не для готового производственного применения; проверка на полном наборе из 620 видео и дополнительные оценки ещё не завершены. README сообщает, что данные в основном представляют англоязычную комедию и выступления. Лицензия репозитория — MIT.

Сценарии применения

  • поиск фрагментов со смехом в записях стендап-выступлений
  • анализ смеха в аудио выступлений и презентаций
  • исследовательская оценка детекторов смеха на сегментном уровне

Ограничения

Модель имеет статус исследовательского предварительного выпуска и не готова к производственному применению; качество на проверенных наборах ограничено, а прирост от объединения признаков над WavLM без просодии невелик. Оценки преимущественно отражают англоязычную комедию и выступления, а полный прогон и дополнительные проверки ещё ожидаются.

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

ChuckleNet v2 — Laughter Detection (WavLM + Prosody Fusion)

Status: research preview — NOT production-ready. The numbers below are the validated, reproducible ones. A historical 0.96 result exists for this architecture family but is not valid as laughter detection (see Historical results for why).

What this is

A two-stream model that fuses per-utterance WavLM-base embeddings (768-d) with a small prosody vector (pitch/energy-style stats) and classifies whether an utterance contains laughter:

[WavLM 768 | prosody 23] → Linear 512 (BN, ReLU, drop 0.3)
                         → Linear 256 (BN, ReLU, drop 0.2)
                         → Linear 64 (ReLU) → Linear 1 (logit)

Trained with BCE + pos_weight, AdamW, cosine LR schedule. Video-level splits only (no utterance from a video appears in both train and eval).

Validated results (reproducible, provenance-linked)

BenchmarkMetricScoreNotes
Gillick-162v (real AudioSet labels)segment F10.5595-fold GroupKFold OOF, fresh training, 2026-09-07 revalidation
— WavLM-only ablationsegment F10.548same protocol
— Prosody-only ablationsegment F10.537same protocol
StandUp 118v VTT pipelineIoU-F1@0.20.3302IoU-F1@0.2 with merge gap 0.8 (best 118v config)

Provenance: GILLICK_REVALIDATION_RESULTS.json, FUSION096_FULL_VALIDATION.json, project decision graph in the same repo.

New validated Tier-1 weak-label numbers (Sep-8, Colab v20.2d)

We completed a curated gate run on 20 marker-rich videos using caption-markers ([laughter]) as training labels:

  • FULL (20v, 17,790 samples, 7.91% pos): F1=0.164±0.029, PR-AUC=0.208 (2.6× random), IoU-F1@0.2=0.197 ±0.034
  • RICH (9v, 7,813 samples, 14.2% pos): F1=0.338, PR-AUC=0.376, IoU-F1@0.2=0.407 ±0.063 — first weak-label result above naive 0.29 and the best pre-sweep 0.3302

Provenance: /content/drive/MyDrive/chuckle_net_results/ + Drive. GitHub notebook: ChuckleNet_Final_Colab_v20.ipynb (GATE_N=0 pre-set), ChuckleNet_Kaggle_v21.ipynb (Kaggle P100-compatible)

Pipeline & execution verified

  • Extracted features: WavLM-768 + prosody-23
  • Framework: PyTorch 2.5.1+cu121 (P100-safe), Hugging Face Transformers 4.46.3 (back‑ported to support register_fake)
  • Split: video‑level GroupKFold5 (no utterance leakage)
  • Checkpointing: per‑file (3 videos in gate mode, 10 in full mode)
  • Full‑scale run pending: 620‑video batch (≈6‑9 hours, resumable)

Intended use

  • Research on laughter detection in stand‑up comedy / TED‑style speech.
  • The Gillick‑162v evaluation protocol (real AudioSet‑derived labels, video‑level GroupKFold) remains the reference methodology for gold‑standard claims.

Limitations

  • Segment‑F1 0.559 and IoU‑F1@0.2 0.3302 are far from production thresholds.
  • Trained/evaluated mostly on English comedy and TED talk audio.
  • Fusion gains over WavLM‑only are modest (+0.011 F1 on the validated set).
  • Earlier iterations used caption‑derived weak labels; the current pipeline targets real labels only.

Reproducibility

References

  • Gillick, D., et al. (2021). Finding Ladies First: Real‑world Phrase‑level Sentiment on Audio in the Wild. ICLR 2022 Workshop.
  • StandUp4AI (2022). Stand‑up comedy dataset for laughter detection.
  • Das‑rebel/ChuckleNet (2026). Scale 1000 Forensic Notebook (docs/SCALE1000_NOTEBOOK_FORENSICS.json) — documents the 0.96 story and label‑circularity case study.
  • Hayasuki (2025). Existing variant chuckleNet-v2 used as host for research (the one this card updates).

Status (2026‑09‑08)

ItemStatusNotes
Full 620‑video runColab → GPU‑limit pending; Kaggle v3 → queued/pushedResume from 20‑video checkpoint, expected 6‑9 h each mode
Tier‑2 anchor evalAwaiting 118v audio + StandUp4AI truth (local repo exists; Drive dir empty)Will compare against 0.3302 (best validated)
Tier‑3 anchor evalReady (Gillick‑162v audio at ~/data/gillick_audio/)Compare against gold 0.559
HF model spaceHayasuki/chucklenet → 402 BLOCKED (previous resource limits)Space deferred; this model repo (chuckleNet‑v2) remains live for citation

Next milestone: Complete the full‑scale weak‑label run, perform Tier‑2/3 anchor evals, then synthesize an honest paper (weak‑label pitfall + label‑circularity case study + scaled performance numbers) per Option C career‑first monetization strategy.

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch · audio-classification

Нельзя запустить

Архитектура laughter_detection неизвестна transformers в образе рантайма.

Класс архитектуры
WavLMForLaughterDetection
Ревизия весов
aba48ee

0 моделей