/ Модель

Характеристики

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

forensics_0.3B_wavlm_oc_softmax_deepfake_classifier

Классификация аудиоАудио → label3 профессии

Дообученный детектор речи на базе WavLM Large классифицирует аудиозаписи как подлинные или синтезированные deepfake.

68скачиваний за 30 дней1лайквеса 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

Это модель классификации аудио для проверки, является ли речевая запись подлинной или сгенерированной (deepfake). Её разработала команда Eliya; модель входит в семейство Forensics. В основе — дообученная Microsoft WavLM Large примерно с 300 млн параметров, а для объединения аудиопризнаков используется графовое внимание AASIST. При обучении применялась совместная функция потерь CE и OC-Softmax, которая формирует компактный кластер подлинной речи и отделяет от него поддельные записи.

Модель предназначена для анализа речевых фрагментов и выявления подделок, в том числе созданных разными методами синтеза речи. В README приведены результаты EER: 1,78% на отложенной валидации, 0,38% на MLAAD v7 и 0,72% на CodecFake; это результаты указанных наборов оценки и не гарантирует аналогичную точность на других данных. В поставку включены веса в форматах Safetensors и PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Сценарии применения

  • проверка голосовых сообщений на синтезированную речь
  • анализ аудиозаписей для выявления голосовых подделок
  • оценка подлинности речи, созданной системами TTS
  • добавление второго детектора deepfake в ансамбль аудиофорензики

Ограничения

Показатели EER приведены только для указанных наборов данных и не гарантируют такую же точность на аудио из других источников или с новыми методами синтеза. Лицензия запрещает коммерческое использование.

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_wavlm_oc_softmax_deepfake_classifier

WavLM + AASIST deepfake speech detector trained with a combined CE + OC-Softmax objective, which pulls bonafide embeddings into a tight cluster and pushes every spoof type outside it — a different decision-boundary shape than the plain-CE model, useful as an ensemble partner.

Detects whether a speech clip is real (bonafide) or a deepfake (spoof).

  • Backbone: microsoft/wavlm-large (~300M params)
  • Pooling: AASIST graph-attention (gat_dims 128/64)
  • Training run: wavlm_aasist_27_03_oc_softmax_ce_from_16 (last epoch, #10 of this sub-run, shipped)

Part of the Forensics family

ModelUse it for
forensics_0.3B_base_deepfake_classifiergeneral-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_classifier (this model)tighter bonafide boundary, ensembling

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

Training (inferred)

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

CE + OC-Softmax combined loss, continuing from the epoch-16 checkpoint of wavlm_aasist_27_03_oc_softmax. 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. Same augmentation stack as the other models (codec, noise augmentation, RIR, RawBoost, SpecAugment, splice/mix).

Results — epoch 10 / "last" (shipped checkpoint)

Eval setEER %
Val (held-out)1.78
MLAAD (v7)0.38
CodecFake0.72
DFADD0.00
MD-CommonVoice0.17
In-the-Wild1.76
ASVspoof2019-LA0.68
ASVspoof2021-LA2.19
ASVspoof202412.37
ADD2022-Track115.91
ADD2022-Track32.20
ADD2023-Round15.94
ADD2023-Round211.30
LibriSeVoc0.05
SONAR0.48
Avg (all sets)3.73
Avg (external only)4.14

Note: "last" was shipped rather than the metric-best epoch — epoch 8 has a slightly lower avg-all (3.66% vs 3.73%), though epoch 10 has a better In-the-Wild EER (1.76% vs 1.92%). It's a close call either way; worth a quick look before assuming epoch 10 is optimal.

Files in this repo

filepurpose
2nd_oc_softmax_ce_from16_last.safetensorsmodel weights, safe format
2nd_oc_softmax_ce_from16_last.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_wavlm_oc_softmax_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: 0.0984
bonafide_score:   0.9016
verdict: REAL

$ python inference.py tts_fake.wav
fake_probability: 0.8317
bonafide_score:   0.1683
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
  • RawBoost augmentation: Tak et al., 2021 (ICASSP 2022), arXiv:2111.04433
  • 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{segev2026forensicsocsoftmax,
  author       = {Segev, Eliya},
  title        = {Forensics 0.3B WavLM OC-Softmax: Speech Deepfake Detection Classifier},
  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-oc-softmax-deepfake-detector неизвестна transformers в образе рантайма.

Класс архитектуры
DeepfakeDetector
Ревизия весов
2911b8f

0 моделей