/ Модель

Характеристики

Параметры
403 млн
Лицензия
CC BY-NC-SA 4.0
Архитектура
wavlm · dense
Базовая модель
wavlm-large
Опубликована
7 июл 2026

wavlm-large-emotion-vad

Классификация аудиоАудио → label3 профессии

Дообученная WavLM-large оценивает валентность, возбуждение и доминирование в естественной английской речи.

45скачиваний за 30 дней1лайквеса обновлены7 июл 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

Nikhil0097/wavlm-large-emotion-vad — модель WavLM-large, дообученная автором для оценки эмоциональных характеристик естественной английской речи. Она принимает монофонический звук с частотой 16 кГц и выдаёт непрерывные оценки валентности, возбуждения и доминирования (Valence, Arousal, Dominance, VAD). Модель предназначена для анализа эмоций в речи, в частности в подкастах; в README сообщается об оценке на тестовых клипах MSP-Podcast v2.0 с разделением по говорящим.

Модель содержит около 402,7 млн параметров и использует WavLMModel с регрессионной головой, которая усредняет скрытые состояния и выдаёт три значения. В README приведены CCC 0,705 для валентности, 0,714 для возбуждения и 0,626 для доминирования. Эти результаты относятся к естественной речи в стиле подкастов на английском языке; автор предупреждает, что качество на постановочной речи не переносится. Модель основана на microsoft/wavlm-large и распространяется по лицензии CC BY-NC-SA 4.0.

Сценарии применения

  • оценка эмоциональной валентности в подкастах
  • измерение уровня возбуждения в речи
  • оценка доминирования по голосу
  • анализ эмоциональной динамики английских аудиозаписей

Ограничения

Модель рассчитана на естественную английскую речь в стиле подкастов; качество на постановочных корпусах не переносится. Оценка доминирования слабее остальных измерений, а опубликованные результаты основаны на одном запуске обучения без ансамбля.

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-large-emotion-vad — dimensional speech emotion (Valence / Arousal / Dominance)

WavLM-large fine-tuned end-to-end for dimensional emotion regression on naturalistic speech: audio in → continuous Valence / Arousal / Dominance out. Built as the culmination of a two-phase solo project whose full record (including the handcrafted-feature phase this model made obsolete) is at github.com/Nikhiljangra07/voice-emotion-engine.

Headline result

Evaluated on MSP-Podcast v2.0 Test1: ~46k held-out clips from speakers never seen in training (speaker-independent), metric = Concordance Correlation Coefficient:

dimensionCCC
Valence0.705
Arousal0.714
Dominance0.626
mean0.681

The point of this model is valence: the handcrafted-acoustic-feature literature treats valence as nearly unrecoverable from audio alone. This project measured that ceiling directly — a handcrafted pipeline built first reached CCC 0.06, then 0.35 after diagnosis — and broke it by fine-tuning the self-supervised representation end-to-end: 0.06 → 0.35 → 0.705. The lever was the representation, not the features.

What's in this repo

FileContents
model.safetensors + config.jsonFine-tuned WavLM-large backbone (WavLMModel)
head.ptRegression head (mean-pool → 256-proj → 3 outputs), PyTorch state dict
train.logFull training log — 3 epochs, per-epoch dev CCC, final Test1 numbers

Usage

import torch, torchaudio
from transformers import WavLMModel

backbone = WavLMModel.from_pretrained("Nikhil0097/wavlm-large-emotion-vad")
head = torch.load("head.pt")  # download from this repo; see GitHub for the exact head module
# 16 kHz mono in → backbone hidden states → mean-pool → head → [valence, arousal, dominance]

The exact head module, preprocessing, and a ready CLI (audio file in → VAD JSON out) are in the GitHub repo, which uses this checkpoint as its inference model.

Training data & license

Trained on MSP-Podcast v2.0 (Lotfian & Busso; Busso et al. 2025, arXiv:2509.09791) under its academic license. The dataset is not included and cannot be redistributed — request access from UT-Dallas. Because the training data is research-licensed, this model is released CC-BY-NC-SA 4.0 (non-commercial).

Honest scope

  • Naturalistic speech (podcast-style, English). Acted-corpus performance does not transfer either direction — the project measured this.
  • Dominance is the weakest axis (0.626), consistent with the literature.
  • Single-model checkpoint, no ensembling; numbers are from one training run whose full log is in this repo.

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
WavLMModel
Ревизия весов
ef93f0e

0 моделей