/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Архитектура
wavlm-aasist-deepfake-detector · dense
Базовая модель
wavlm-large
Библиотека
pytorch
Опубликована
1 сен 2026

forensics_0.3B_base_deepfake_classifier

Классификация аудиоАудио → label3 профессии

Модель Forensics на базе WavLM-large классифицирует аудио, оценивая вероятность того, что речь является дипфейком.

377скачиваний за 30 дней7лайковвеса обновлены25 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

forensics_0.3B_base_deepfake_classifier — модель семейства Forensics от eliya для выявления синтетической или поддельной речи. Она дообучена сквозным образом на базе microsoft/wavlm-large и использует AASIST с графовым вниманием для классификации аудио. На вход подаются аудиофрагменты; модель выдаёт вероятность того, что речь является подделкой. В README указаны обучение на более чем 5 млн образцов, поддержка многоязычной речи и тестирование на нескольких наборах для обнаружения подделок и артефактов кодирования.

Модель предназначена для проверки голосовых записей, обнаружения TTS-синтеза и конверсии голоса, а также анализа аудио с искажениями от кодеков. README сообщает о низкой равной частоте ошибок на внутренних и внешних тестах, но эти результаты не гарантируют такую же точность на новых источниках, языках и типах генерации. Репозиторий содержит веса в форматах safetensors и PyTorch; лицензия CC BY-NC 4.0 ограничивает использование некоммерческими условиями.

Сценарии применения

  • проверка голосовых записей на синтетическую речь
  • обнаружение клонирования и конверсии голоса
  • оценка подлинности аудио из телефонных звонков
  • проверка речи после сжатия и перекодирования кодеками

Ограничения

Заявленные метрики получены на указанных в README тестовых наборах и не гарантируют точность на новых типах синтеза, языках или условиях записи. Лицензия CC BY-NC 4.0 предусматривает некоммерческие условия использования.

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

forensics_0.3B_base_deepfake_classifier

The default speech deepfake detector of the Forensics family. WavLM-large + AASIST graph-attention, fully fine-tuned end-to-end (no frozen shortcuts) across a wide multi-source mix of TTS spoofs, voice conversion, codec artifacts, and the standard anti-spoofing benchmark suite. A combined cross-entropy + OC-Softmax + supervised-contrastive objective gives it a decision boundary that holds up well outside its own training distribution — not just on the data it saw.

Feed it 5 seconds of audio, get back a calibrated real/fake probability. Sub-1% EER on held-out data, and under 2% across most of a 14-benchmark external sweep (ASVspoof, ADD, In-the-Wild, LibriSeVoc, SONAR, and more).

  • Backbone: microsoft/wavlm-large (~300M params, fully unfrozen)
  • Pooling: AASIST graph-attention

Part of the Forensics family

ModelUse it for
forensics_0.3B_base_deepfake_classifier (this model)general-purpose default
forensics_0.3B_xlsr_wild_deepfake_classifieruncontrolled / real-world audio
forensics_0.3B_v2_deepfake_age_gender_classifier 🆕speaker age/gender, hardened against the newest TTS threats — our latest release
forensics_0.3B_wavlm_oc_softmax_deepfake_classifiertighter bonafide boundary, ensembling

Full family: huggingface.co/collections/eliya/forensics-speech-deepfake-detection-family

Training

Trained using an agentic training loop — see eliyasegev/autotrain.

Fine-tuned with a combined loss for robustness beyond any single objective:

  • Cross-entropy (label-smoothed)
  • OC-Softmax — pulls bonafide speech into a compact embedding sphere and pushes every spoof type outside it
  • Supervised contrastive, real-anchor-only

Trained on 5M+ speech samples spanning a mix of proprietary and publicly available data — some of our own self-created data has been open-sourced as well. Built for robustness against a wide range of TTS generation methods — including some of the most advanced synthesis techniques available today. 5-second crops, AdamW, cosine LR schedule, and a heavy augmentation stack — codec transcoding (mp3/aac/opus/vorbis/µ-law/A-law/GSM), noise augmentation, RIR, RawBoost, SpecAugment, FreqMask, splice/mix, and cross-class splice — so the model sees more distortion during training than it will ever encounter in the wild.

Results

Eval setEER %
Val (held-out)0.72
MLAAD (v7)0.71
CodecFake0.54
DFADD0.00
MD-CommonVoice0.17
In-the-Wild1.38
ASVspoof2019-LA0.26
ASVspoof2021-LA1.56
ASVspoof202411.91
ADD2022-Track117.34
ADD2022-Track33.03
ADD2023-Round16.46
ADD2023-Round213.00
LibriSeVoc0.04
SONAR0.44
Avg (all sets)3.84
Avg (external only)4.06

Consistently sub-2% EER across almost every external benchmark, with strong results even on the harder ADD/ASVspoof2024 tracks.

Files in this repo

filepurpose
checkpoint_epoch_5.safetensorsmodel weights, safe format
checkpoint_epoch_5.ptmodel weights, legacy pickle
config.jsonminimal architecture metadata (also used by the Hub to track downloads)
inference.pyrun script — prefers the .safetensors file automatically
model.pyarchitecture
requirements.txtdeps

Setup

pip install -r requirements.txt   # torch, torchaudio, transformers, safetensors
hf download eliya/forensics_0.3B_base_deepfake_classifier --local-dir .

Run

python inference.py <audio.wav>

(Optionally override the checkpoint: python inference.py <audio.wav> <checkpoint.pt>.)

Audio is auto-converted to mono / 16 kHz and trimmed/padded to 5 s.

Output

fake_probability: <0..1>      # threshold is domain-dependent — adjust to your use case; ~0.1-0.2 is usually the best range
bonafide_score:   <0..1>      # raw P(real)
verdict: REAL | FAKE

Example

$ python inference.py real_human.wav
fake_probability: 0.0503
bonafide_score:   0.9497
verdict: REAL

$ python inference.py tts_fake.wav
fake_probability: 0.8641
bonafide_score:   0.1359
verdict: FAKE

Higher fake_probability = more likely a deepfake. Score is 1 − sigmoid(logit), since the classifier is trained with label 1 = real, 0 = fake.

References

  • WavLM: Chen et al., 2022, "WavLM: Large-Scale Self-Supervised Pre-Training for Full Stack Speech Processing", arXiv:2110.13900
  • AASIST: Jung et al., 2021 (ICASSP 2022), "AASIST: Audio Anti-Spoofing Using Integrated Spectro-Temporal Graph Attention Networks", arXiv:2110.01200
  • OC-Softmax: Zhang et al., 2020 (IEEE SPL 2021), "One-Class Learning Towards Synthetic Voice Spoofing Detection", arXiv:2010.13995
  • Supervised Contrastive Learning: Khosla et al., NeurIPS 2020, arXiv:2004.11362
  • RawBoost augmentation: Tak et al., 2021 (ICASSP 2022), arXiv:2111.04433
  • FreqMask augmentation: Xie et al., 2024, arXiv:2408.06922
  • SpeechFake dataset: ACL 2025, "SpeechFake: A Large-Scale Multilingual Speech Deepfake Dataset Incorporating Cutting-Edge Generation Methods", arXiv:2507.21463

License

CC-BY-NC-4.0 — free for personal and research use.

Citation

If you use this in research, evaluation, or training, please acknowledge it:

@misc{segev2026forensicsbase,
  author       = {Segev, Eliya},
  title        = {Forensics 0.3B: Speech Deepfake Detection Classifier (Base)},
  year         = {2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch · audio-classification

Нельзя запустить

Архитектура wavlm-aasist-deepfake-detector неизвестна transformers в образе рантайма.

Класс архитектуры
DeepfakeDetector
Ревизия весов
cfd1136

0 моделей