/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
hubert · dense
Библиотека
transformers
Опубликована
14 апр 2025

voc2vec-hubert-ls-pt

Классификация аудиоАудио → label3 профессии

Предобученная модель HuBERT для классификации невербальных человеческих вокализаций, включая плач младенцев.

1 385скачиваний за 30 дней3лайкавеса обновлены14 апр 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

voc2vec-hubert-ls-pt — аудиомодель семейства HuBERT для анализа невербальных человеческих вокализаций. Её разработали в рамках проекта voc2vec: модель продолжает предобучение модели, первоначально обученной на LibriSpeech, на подборке из 10 наборов данных с примерно 125 часами невербального аудио. В карточке указано 113,3 млн параметров; доступны веса PyTorch, лицензия Apache-2.0.

Модель предназначена для классификации невербальных звуков, включая плач младенцев и другие вокализации. Её оценивали на шести наборах данных; README сообщает о лучших среди выпущенных моделей voc2vec результатах для варианта ls-pt. Это предобученная модель для дальнейшего применения в задачах аудиоклассификации; конкретный поддерживаемый язык речи не заявлен, а языковой тег en не означает, что модель предназначена для понимания речи на английском.

Сценарии применения

  • классификация плача младенцев
  • распознавание невербальных вокализаций человека
  • анализ звуковых проявлений эмоций
  • извлечение признаков из невербального аудио

Ограничения

Оценка проведена на ограниченном наборе из шести датасетов, поэтому результаты могут зависеть от конкретных типов звуков и условий записи. Карточка не описывает точность для отдельных классов и сценариев применения.

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

voc2vec-hubert-ls-pt

voc2vec is a foundation model specifically designed for non-verbal human data.

We employed a collection of 10 datasets covering around 125 hours of non-verbal audio and pre-trained a HuBERT-like model.

Model description

voc2vec-hubert is built upon the HuBERT framework and follows its pre-training setup. The pre-training datasets include: AudioSet (vocalization), FreeSound (babies), HumanVoiceDataset, NNIME, NonSpeech7K, ReCANVo, SingingDatabase, TUT (babies), VocalSketch, VocalSound. This model continues pre-training from a model that was initially trained on the LibriSpeech dataset.

Task and datasets description

We evaluate voc2vec-hubert-ls-pt on six datasets: ASVP-ESD, ASPV-ESD (babies), CNVVE, NonVerbal Vocalization Dataset, Donate a Cry, VIVAE.

This is currently the best released model of the voc2vec collection.

The following table reports the average performance in terms of Unweighted Average Recall (UAR) and F1 Macro across the six datasets described above.

ModelArchitecturePre-training DSUARF1 Macro
voc2vecwav2vec 2.0Voc125.612±.212.580±.230
voc2vec-as-ptwav2vec 2.0AudioSet + Voc125.603±.183.574±.194
voc2vec-ls-ptwav2vec 2.0LibriSpeech + Voc125.661±.206.636±.223
voc2vec-hubert-ls-ptHuBERTLibriSpeech + Voc125.696±.189.678±.200

Available Models

ModelDescriptionLink
voc2vecPre-trained model on 125 hours of non-verbal audio.🔗 Model
voc2vec-as-ptContinues pre-training from a wav2vec2-like model that was initially trained on the AudioSet dataset.🔗 Model
voc2vec-ls-ptContinues pre-training from a wav2vec2-like model that was initially trained on the LibriSpeech dataset.🔗 Model
voc2vec-hubert-ls-ptContinues pre-training from a hubert-like model that was initially trained on the LibriSpeech dataset.🔗 Model

Usage examples

You can use the model directly in the following manner:

import torch
import librosa
from transformers import AutoModelForAudioClassification, AutoFeatureExtractor

## Load an audio file
audio_array, sr = librosa.load("path_to_audio.wav", sr=16000)

## Load model and feature extractor
model = AutoModelForAudioClassification.from_pretrained("alkiskoudounas/voc2vec-hubert-ls-pt")
feature_extractor = AutoFeatureExtractor.from_pretrained("alkiskoudounas/voc2vec-hubert-ls-pt")

## Extract features
inputs = feature_extractor(audio_array.squeeze(), sampling_rate=feature_extractor.sampling_rate, padding=True, return_tensors="pt")

## Compute logits
logits = model(**inputs).logits

BibTeX entry and citation info

@INPROCEEDINGS{koudounas2025icassp,
  author={Koudounas, Alkis and La Quatra, Moreno and Siniscalchi, Sabato Marco and Baralis, Elena},
  booktitle={ICASSP 2025 - 2025 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)}, 
  title={voc2vec: A Foundation Model for Non-Verbal Vocalization}, 
  year={2025},
  volume={},
  number={},
  pages={1-5},
  keywords={Pediatrics;Accuracy;Foundation models;Benchmark testing;Signal processing;Data models;Acoustics;Speech processing;Nonverbal vocalization;Representation Learning;Self-Supervised Models;Pre-trained Models},
  doi={10.1109/ICASSP49660.2025.10890672}}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · audio-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
HubertModel
Ревизия весов
7c0c7c2

0 моделей