/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
lang-id-voxlingua107-ecapa
Библиотека
speechbrain
Опубликована
12 окт 2026

lid-ecapa-voxlingua107-si-ta-en

Классификация аудиоАудио → label

Модель определяет, звучит ли в аудио сингальская, тамильская или английская речь, чтобы направить запись в подходящую ASR-систему.

0скачиваний за 30 дней1лайквеса обновлены12 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

TriLinSL/lid-ecapa-voxlingua107-si-ta-en — модель SpeechBrain для определения языка устной речи на сингальском, тамильском и английском языках. Она создана дообучением ECAPA-TDNN модели speechbrain/lang-id-voxlingua107-ecapa и выдаёт оценку принадлежности аудио к одному из трёх классов. Модель предназначена для маршрутизации речи в соответствующие системы автоматического распознавания речи.

Для потоковой обработки можно классифицировать первые 2–3 секунды аудио; README приводит результаты тестирования на фрагментах разной длины. Модель принимает аудиофайлы в формате 16 кГц, моно, и возвращает метки и логарифмы вероятностей. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

Качество может зависеть от условий записи, поскольку обучающие данные охватывают ограниченное число источников. Английская речь представлена преимущественно аудиокнигами с носительским акцентом, поэтому качество на шри-ланкийском английском не подтверждено. Для смешанной речи выдаётся один основной язык на всё высказывание.

Сценарии применения

  • определение языка в начале телефонного или голосового сообщения
  • маршрутизация аудиозаписи в ASR для сингальского, тамильского или английского
  • выбор языковой модели распознавания для потоковой речи
  • классификация коротких речевых фрагментов на три языка

Ограничения

Модель может опираться на особенности источников и условий записи; проверяйте её на аудио целевых пользователей. Английские данные преимущественно состоят из аудиокниг с носительским акцентом, а смешанная речь получает одну метку основного языка для всего высказывания.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Spoken language ID: Sinhala / Tamil / English

speechbrain/lang-id-voxlingua107-ecapa (ECAPA-TDNN) fine-tuned into a 3-class classifier (si: Sinhala, ta: Tamil, en: English) to route audio to language-specific ASR models. The output layer was initialised from the pretrained rows of these 3 languages, so the zero-shot numbers below are the original model restricted to the same 3 classes.

Test results

Each clip is classified from its first N seconds (what a streaming router sees); full = up to 10 s. Test sets: up to 1500 clips per (language, source), speaker-diverse, from the test_* splits.

zero-shot accfine-tuned acczero-shot macro-F1fine-tuned macro-F1
1s0.66250.88100.58070.8829
2s0.90780.97450.89200.9731
3s0.95880.98920.95320.9883
full0.98380.99430.98330.9938

Accuracy per (language, source):

1s2s3sfull
acc_en__libritts_r0.97530.99931.00001.0000
acc_si__openslr_sinhala0.96000.97930.98870.9940
acc_ta__common_voice_tamil0.64000.94330.98130.9873
acc_ta__indic_tts_tamil0.94870.97600.98670.9960

Best epoch: 5 (selected on mean val macro-F1 over 1s, 2s, 3s, full).

Usage

from speechbrain.inference.classifiers import EncoderClassifier
lid = EncoderClassifier.from_hparams(source="TriLinSL/lid-ecapa-voxlingua107-si-ta-en", savedir="pretrained_lid")
out_prob, score, index, label = lid.classify_file("audio.wav")   # 16 kHz mono
print(label[0], out_prob.exp()[0])                                  # out_prob are log-probabilities

For routing, classify the first 2–3 s; if the top probability is below ~0.8, wait for more audio and classify again.

Training

  • Data: TriLingDATA/si-ta-en-asr, 20 h per language, balanced across sources, round-robin by speaker, val/test speakers removed from training. Selected clip ids are in data_selection/.
clipshoursspeakers
enindic_tts_tamil77.00000.2200
enlibritts_r10984.000020.0000
enopenslr_sinhala1352.00001.4400
siopenslr_sinhala16509.000020.0000
tacommon_voice_tamil5617.000010.0000
taindic_tts_tamil1592.000010.0000
  • Random 1–4 s crops; speed, synthetic reverb, telephone band, noise and gain augmentation; equal sampling per language every step.
  • 12 epochs × 250 steps, batch 64, head-only for 1 epoch(s), AdamW (backbone 0.0001, head 0.001), warm-up 200 + cosine, label smoothing 0.05, seed 3407.

Limitations

  • Each language comes from few recording setups (Sinhala: read sentences; Tamil: IndicTTS talk-style speech and Common Voice; English: LibriTTS-R audiobooks). The model may partly rely on recording conditions. Check it on audio from your real users before relying on it.
  • English training data is native-accented audiobook speech, not Sri Lankan English.
  • Code-mixed speech is labelled by its main language; utterance-level output only.

Как запустить

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

GPU в ailist

Универсальный рантайм · speechbrain

Нельзя запустить

Модели SpeechBrain требуют отдельного рантайма.

Ревизия весов
5bbe1ef

0 моделей