/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Базовая модель
whisper-large-v3
Библиотека
transformers
Опубликована
10 окт 2026

bhavvaani-whisper-ser

Классификация аудиоАудио → label

Модель классифицирует речь на хинди по четырём эмоциям: гнев, радость, нейтральное состояние и грусть.

34скачиваний за 30 дней0лайковвеса обновлены10 окт 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

BhavVaani Whisper SER — модель распознавания четырёх эмоций в речи на хинди: гнева, радости, нейтрального состояния и грусти. Она создана для сообщества Kaggle и соревнования DataVerse: Detecting Emotions from Hindi Speech на данных SRCASW-BhavVaani.

Модель использует замороженный энкодер openai/whisper-large-v3 и обученную классификационную голову: нормализацию, линейные слои, GELU и внимательное статистическое объединение признаков по аудиокадрам. На вход подаются аудиозаписи; выход — метка одного из четырёх эмоциональных классов. В перекрёстной проверке на клипах без дубликатов автор сообщает macro-F1 0,887.

Модель ориентирована на классификацию коротких записей речи на хинди. Обучение проводилось на 826 клипах из одного корпуса; возможна потеря точности на других условиях записи, дикторах и диалектах. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Сценарии применения

  • определение эмоции в коротких записях речи на хинди
  • анализ эмоциональной окраски реплик в аудиоклипах
  • разметка записей для исследований эмоций в речи

Ограничения

Модель обучена на небольшом наборе из одного корпуса и может хуже работать на других условиях записи, дикторах и диалектах. Она различает только четыре эмоции и не предназначена для принятия решений о людях.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

BhavVaani Whisper SER: Hindi speech emotion recognition

Four-class speech emotion recognition for Hindi (angry, happy, neutral, sad), built for the Kaggle community competition DataVerse: Detecting Emotions from Hindi Speech (SRCASW-BhavVaani data).

Model

  • Backbone: openai/whisper-large-v3 encoder, frozen, run exactly as in pre-training (30 s padded log-mel input). Its final-layer output (after the last LayerNorm) on the frames that belong to the audio is the input of the head.
  • Head (head.pt, 1.4 MB, the only trained part): LayerNorm → dropout → Linear 1280→256 → GELU → attentive statistics pooling (attention-weighted mean and standard deviation over frames) → dropout → Linear 512→4.
  • Training: the 826 labelled SRCASW-BhavVaani training clips (16 kHz, 1-11 s); AdamW (lr 1e-3, weight decay 0.05), one-cycle schedule, 30 epochs, batch 32, label smoothing 0.1, random frame crops and time masks. No external data (public Hindi/Indian emotion corpora were tried and lowered validation scores).

Usage

# pip install torch transformers librosa huggingface_hub
from huggingface_hub import hf_hub_download
import importlib.util
path = hf_hub_download('Nabidnur/bhavvaani-whisper-ser', 'inference.py')
spec = importlib.util.spec_from_file_location('bhav', path); bhav = importlib.util.module_from_spec(spec); spec.loader.exec_module(bhav)
model = bhav.BhavWhisperSER.from_pretrained('Nabidnur/bhavvaani-whisper-ser')
print(model.predict(['speech.wav']))   # [{'angry': 0.01, 'happy': 0.02, 'neutral': 0.95, 'sad': 0.02}]

Evaluation

Out-of-fold macro-F1 on the 826 training clips (3 repetitions of stratified 5-fold CV):

SubsetMacro-F1
clips without a duplicate in the training folds (566)0.887
all clips, copying the label of a training duplicate where one exists0.921

The corpus contains re-saved copies of the same recording, so "all clips" is optimistic; the first row is the honest number. For comparison, a logistic-regression probe on the same frozen features reaches 0.884, WavLM-large 0.787 and XLS-R 0.813. In the competition this head is one member of a blend of Whisper-family probes.

Limitations

Trained on a small (826 clips), acted plus spontaneous, single-corpus dataset; expect lower accuracy on other recording conditions, speakers and dialects. Four emotions only. Not for decisions about people.

Data and citation

Trained on SRCASW-BhavVaani, the Hindi speech emotion dataset of the Kaggle competition DataVerse: Detecting Emotions from Hindi Speech (ENIAC, Department of Computer Science, Shaheed Rajguru College of Applied Sciences for Women, University of Delhi).

The competition audio is not redistributed here (competition rules); only the model weights are released.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · audio-classification

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
9809540

0 моделей