Характеристики

Параметры: 18,9 млн
Лицензия: Apache 2.0
Архитектура: hubert · dense
Базовая модель: distilhubert
Библиотека: transformers
Опубликована: 18 июл 2025

Ссылки

Hugging Face

distilhubert-finetuned-ravdess

amnesiackid

Классификация текстаТекст → label3 профессии

Дообученная DistilHuBERT модель для классификации аудио, в том числе эмоциональных категорий в записях RAVDESS.

153скачиваний за 30 дней0лайковвеса обновлены5 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

Модель amnesiackid/distilhubert-finetuned-ravdess — дообученная на датасете RAVDESS версия компактной речевой модели DistilHuBERT от NTU. Это плотная архитектура HuBERT с классификационной головой для аудио; содержит 18,9 млн параметров и сохранена в формате safetensors. Модель предназначена для классификации аудиозаписей, в частности для распознавания эмоциональных категорий в речи и вокальных исполнениях RAVDESS.

В README приведены результаты на оценочной выборке: accuracy 0,8681 и loss 0,8330. Базовая DistilHuBERT рассчитана на извлечение речевых представлений из аудио с частотой 16 кГц. Использование регулируется лицензией Apache-2.0. Подробности о метках классов, точной конфигурации обучения и ограничениях в карточке не раскрыты.

Сценарии применения

классификация эмоций в речи
распознавание эмоциональной окраски вокальных записей RAVDESS
автоматическая разметка речевых аудиозаписей по классам
оценка качества классификатора эмоций на тестовой выборке

Ограничения

Карточка не описывает состав классов, точные условия обучения и границы применимости; указанная accuracy относится только к оценочной выборке. Для базовой DistilHuBERT заявлена работа с аудио 16 кГц.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilhubert-finetuned-ravdess

This model is a fine-tuned version of ntu-spml/distilhubert on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.8330
Accuracy: 0.8681

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 5e-05
train_batch_size: 8
eval_batch_size: 8
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 0.1
num_epochs: 20
mixed_precision_training: Native AMP
label_smoothing_factor: 0.1

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
2.0479	1.0	126	2.0465	0.2639
1.9198	2.0	252	1.7636	0.3472
1.7474	3.0	378	1.5941	0.4514
1.4198	4.0	504	1.3667	0.5486
1.4462	5.0	630	1.2058	0.6458
1.1219	6.0	756	1.0412	0.7708
1.4561	7.0	882	0.9866	0.7708
1.1193	8.0	1008	0.9222	0.8264
1.1304	9.0	1134	0.9000	0.8125
0.9479	10.0	1260	0.8796	0.8194
0.9131	11.0	1386	0.8657	0.8194
0.8876	12.0	1512	0.8330	0.8681
0.8605	13.0	1638	0.8073	0.8611
0.9696	14.0	1764	0.8280	0.8403
0.9908	15.0	1890	0.8373	0.8403
0.8529	16.0	2016	0.8283	0.8681
0.6335	17.0	2142	0.8225	0.8542
0.7234	18.0	2268	0.8164	0.8611
1.0229	19.0	2394	0.8132	0.8542
0.8715	20.0	2520	0.8083	0.8611

Framework versions

Transformers 5.16.1
Pytorch 2.11.0+cu128
Datasets 4.0.0
Tokenizers 0.23.1

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Нельзя запустить

Для архитектуры hubert нет загрузчика под задачу text-classification.

Класс архитектуры: HubertForSequenceClassification
Ревизия весов: 93da8aa