/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Архитектура
xlsr-aasist-deepfake-detector · dense
Базовая модель
wav2vec2-xls-r-300m
Библиотека
pytorch
Опубликована
1 сен 2026

forensics_0.3B_xlsr_wild_deepfake_classifier

Классификация аудиоАудио → label3 профессии

Классификатор на базе XLS-R и AASIST оценивает, является ли речь в реальных аудиозаписях дипфейком.

112скачиваний 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

Модель eliya/forensics_0.3B_xlsr_wild_deepfake_classifier разработана как часть семейства Forensics для обнаружения синтетической и поддельной речи в аудио из реальных, неконтролируемых условий. Это классификатор аудио на базе дообученной facebook/wav2vec2-xls-r-300m с полностью размороженным backbone и графовым attention-пулингом AASIST; размер базовой модели — около 300 млн параметров. Модель принимает аудио и выдаёт оценку вероятности того, что запись является дипфейком.

Она предназначена для проверки телефонных записей, сжатых аудиоклипов и записей с неизвестными микрофонами и условиями съёмки. По README, модель обучалась на более чем 5 млн речевых примеров, включая синтетические подделки, с аугментациями шума, кодеков и акустических условий. Разработчик сообщает EER 1,03% на тесте In-the-Wild и называет результат лучшим в семействе; это заявление из карточки модели, а не независимая оценка.

Модель использует PyTorch и веса в форматах safetensors и PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Мультиязычность указана в метаданных, однако конкретные поддерживаемые языки не перечислены.

Сценарии применения

  • проверка телефонных записей на синтетическую речь
  • поиск дипфейков в сжатых аудиоклипах
  • анализ записей с неизвестными микрофонами
  • проверка голосовых сообщений на подделку
  • оценка подлинности речи в неконтролируемых условиях

Ограничения

Заявленные результаты получены на указанных в README наборах и не гарантируют такую же точность для новых типов подделок и условий записи. Конкретные поддерживаемые языки не перечислены.

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_xlsr_wild_deepfake_classifier

Built for audio you don't control. Most deepfake detectors are trained and tested on clean lab recordings, then fall apart on messy, real-world audio — phone recordings, compressed clips, unknown microphones, unknown everything. This model is the member of the Forensics family tuned specifically for that gap: an XLS-R + AASIST detector that leads the family on the In-the-Wild benchmark, the closest thing to "audio as it actually shows up in the real world."

  • Backbone: facebook/wav2vec2-xls-r-300m (~300M params, fully unfrozen)
  • Pooling: AASIST graph-attention

Part of the Forensics family

ModelUse it for
forensics_0.3B_base_deepfake_classifiergeneral-purpose default
forensics_0.3B_xlsr_wild_deepfake_classifier (this model)uncontrolled / 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.

Weighted cross-entropy loss, Adam optimizer, large effective batch size, 9 synthetic fakes sampled per real utterance, backbone unfrozen from the very first step.

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 — and tuned specifically for generalization to real-world, out-of-domain audio. Same heavy augmentation stack as the rest of the family — codec transcoding, noise augmentation, RIR, RawBoost, SpecAugment, FreqMask, splice/mix, and cross-class splice.

Results

Eval setEER %
Val (held-out)1.75
MLAAD (v7)2.24
CodecFake1.90
DFADD0.30
MD-CommonVoice0.17
In-the-Wild1.03
ASVspoof2019-LA1.48
ASVspoof2021-LA2.81
ASVspoof202412.66
ADD2022-Track117.71
ADD2022-Track34.41
ADD2023-Round110.87
ADD2023-Round212.86
LibriSeVoc0.08
SONAR3.05
Avg (all sets)4.89
Avg (external only)5.33

1.03% EER on In-the-Wild — the best real-world generalization result in the Forensics family.

Files in this repo

filepurpose
checkpoint_epoch_4.safetensorsmodel weights, safe format
checkpoint_epoch_4.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_xlsr_wild_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: 0.1102
bonafide_score:   0.8898
verdict: REAL

$ python inference.py tts_fake.wav
fake_probability: 0.7366
bonafide_score:   0.2634
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

  • XLS-R: Babu et al., 2021, "XLS-R: Self-Supervised Cross-Lingual Speech Representation Learning at Scale", arXiv:2111.09296
  • AASIST: Jung et al., 2021 (ICASSP 2022), "AASIST: Audio Anti-Spoofing Using Integrated Spectro-Temporal Graph Attention Networks", arXiv:2110.01200
  • 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 — this training recipe reproduces its Table 6

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{segev2026forensicsxlsr,
  author       = {Segev, Eliya},
  title        = {Forensics 0.3B XLS-R: Speech Deepfake Detection for Real-World Audio},
  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 xlsr-aasist-deepfake-detector неизвестна transformers в образе рантайма.

Класс архитектуры
DeepfakeDetector
Ревизия весов
0cbc87b

0 моделей