/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
lang-id-voxlingua107-ecapa
Опубликована
20 апр 2026

ecapa-lid-107-GGUF

Классификация аудиоАудио → label4 профессии

GGUF-конверсия ECAPA-TDNN определяет язык устной речи среди 107 языков и может использоваться перед ASR.

940скачиваний за 30 дней0лайковвеса обновлены2 авг 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

Это преобразованная в формат GGUF модель ECAPA-TDNN для определения языка устной речи, основанная на speechbrain/lang-id-voxlingua107-ecapa и подготовленная для использования с CrispASR. Архитектура ECAPA-TDNN сочетает SE-Res2Net и attentive statistical pooling; в модели около 21 млн параметров, веса доступны в формате F16 размером около 43 МБ.

Модель определяет язык речи среди 107 языков VoxLingua107 и может работать как предварительный этап перед распознаванием речи в разных ASR-бэкендах. Исходная модель обучена SpeechBrain на VoxLingua107, включающем 6 628 часов речи с YouTube. В репозитории указаны результаты небольшого теста на 12 языках; они не гарантируют аналогичную точность на других записях и условиях.

Репозиторий содержит конверсию весов без дообучения и сохраняет лицензию Apache 2.0 исходной модели. Возможности и ограничения распознавания унаследованы от исходной модели; конверсия в GGUF сама по себе их не меняет.

Сценарии применения

  • определение языка в аудиозаписи перед распознаванием речи
  • автоматический выбор ASR-модели по языку речи
  • определение языка в многоязычных речевых записях

Ограничения

Точность зависит от качества и длительности аудио; приведённая проверка охватывает лишь 12 языков и по три образца на язык. Модель определяет язык речи, но сама не выполняет транскрибирование.

Для каких профессий подходит4

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

ECAPA-TDNN Language Identification (GGUF)

GGUF conversion of speechbrain/lang-id-voxlingua107-ecapa for use with CrispASR.

Model Details

  • Architecture: ECAPA-TDNN (SE-Res2Net + Attentive Statistical Pooling)
  • Parameters: 21M
  • Size: 43 MB (F16)
  • Languages: 107 (VoxLingua107 dataset)
  • License: Apache 2.0
  • Training: SpeechBrain on VoxLingua107 (6,628 hours YouTube speech)

Usage with CrispASR

# As LID pre-step for any ASR backend
crispasr -m whisper-large-v3.gguf --lid-backend ecapa -l auto -f audio.wav

# Model auto-downloads on first use, or specify path:
crispasr -m model.gguf --lid-backend ecapa --lid-model ecapa-lid-107-f16.gguf -l auto -f audio.wav

Accuracy

Tested on 12-language edge-TTS benchmark (3 samples per language):

LanguageAccuracyConfidence
English3/3p≥0.99
German3/3p≥0.99
French3/3p≥0.99
Spanish3/3p≥0.96
Japanese3/3p≥0.99
Chinese3/3p≥0.99
Korean3/3p≥0.99
Russian3/3p≥0.99
Arabic3/3p≥0.99
Hindi3/3p≥0.99
Portuguese3/3p≥0.99
Italian3/3p≥0.99

Files

FileSizeDescription
ecapa-lid-107-f16.gguf43 MBF16 weights (recommended)

Conversion

python models/convert-ecapa-tdnn-lid-to-gguf.py \
    --input speechbrain/lang-id-voxlingua107-ecapa \
    --output ecapa-lid-107-f16.gguf

Architecture

Input: 16kHz PCM → 60-dim mel fbank (SpeechBrain STFT, n_fft=400)
       → Sentence-level mean normalization
       → Block0: Conv1d(60→1024, k=5) + ReLU + BN
       → Block1-3: SE-Res2Net (1024 channels, 8 sub-bands, dilations 2/3/4)
       → MFA: concatenate block1-3 outputs → Conv1d(3072→3072, k=1) + ReLU + BN
       → ASP: Attentive Statistical Pooling → [6144]
       → BN + FC(6144→256) → embedding
       → Classifier: BN → Linear(256→512) + BN + LeakyReLU → Linear(512→107)

Citation

@inproceedings{ravanelli2021speechbrain,
  title={SpeechBrain: A General-Purpose Speech Toolkit},
  author={Ravanelli, Mirco and others},
  booktitle={Proceedings of the 22nd Annual Conference of the International Speech Communication Association (INTERSPEECH)},
  year={2021}
}

Provenance and EU AI Act Art. 53 note

  • Upstream model: speechbrain/lang-id-voxlingua107-ecapa — published by speechbrain.
  • Upstream licence: apache-2.0. This repository redistributes under the same terms; it grants no rights the upstream licence does not.
  • What was done here: format conversion and/or quantisation only (GGUF). No training, no fine-tuning, no merging, no distillation, no change to architecture, vocabulary or capability. Only the numeric representation of the upstream weights differs.
  • Training data: documented — where it is documented at all — by the upstream provider; see the upstream model card. No training data was used, added or selected by this repository.
  • Provider status: under Regulation (EU) 2024/1689 the upstream authors remain the provider of this model. Converting the serialisation format does not make this repository the provider of a new general-purpose AI model, and no such claim is made. Questions about training content, copyright policy or model capability belong upstream.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели SpeechBrain требуют отдельного рантайма.

Ревизия весов
4b58255

0 моделей