/ Модель

Характеристики

Контекст
512 токенов
Лицензия
CC BY 4.0
Архитектура
voiceclap-small · dense
Базовая модель
voiceclap-small
Библиотека
transformers
Опубликована
15 июн 2026

voiceclap-commercial

ЭмбеддингиТекст → embedding4 профессии

Компактная контрастивная модель, сопоставляющая речь с текстовыми описаниями эмоций и манеры говорения по эмбеддингам.

13скачиваний за 30 дней0лайковвеса обновлены15 июн 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

VoiceCLAP-Commercial (small) — модель для сопоставления речи и текстовых описаний по эмоциям и манере говорения. Её разработчик в README не назван; модель дообучена на базе laion/voiceclap-small и сохраняет её двухбашенную CLAP-архитектуру размером 110 млн параметров: аудиокодировщик на основе BUD-E-Whisper-Small обрабатывает 80-мерные mel-признаки при 16 кГц, текстовый кодировщик использует all-MiniLM-L6-v2, а совместное пространство содержит нормализованные эмбеддинги размерности 768. Для выделения эмоциональных признаков добавлены 39 обучаемых прототипов эмоций и вспомогательная функция потерь.

Модель обучена на данных, которые, согласно карточке, допускают коммерческое лицензирование: Emilia-YODAS, LAION's Got Talent и Majestrino; из обучающей смеси исключены источники с некоммерческими лицензиями. Она предназначена для извлечения аудио- и текстовых признаков и поиска сходства между речевыми фрагментами и описаниями эмоций или стиля речи. В сравнительном эксперименте модель показала лучшие результаты на четырёх из пяти указанных метрик относительно варианта, обученного также на некоммерческих данных, но уступила по ранжированию интенсивности эмоций на синтетическом аудио. Лицензия репозитория — CC BY 4.0.

Сценарии применения

  • поиск речевых фрагментов по описанию эмоции
  • поиск примеров определённой манеры говорения
  • сопоставление аудио с текстовыми подписями голоса
  • извлечение признаков речи для анализа эмоций
  • ранжирование аудиофрагментов по сходству с текстовым запросом

Ограничения

В описанном сравнении модель уступает варианту, обученному на полной смеси данных, по ранжированию интенсивности эмоций на синтетическом аудио. Приведённые абсолютные метрики получены в эксперименте масштаба одного узла и предназначены прежде всего для сравнения вариантов обучения.

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

VoiceCLAP-Commercial (small)

A fully commercially-licensable voice-text contrastive (CLAP-style) embedding model for speech-emotion and talking-style retrieval. Same 110M dual-tower architecture as laion/voiceclap-small, but trained only on data that permits commercial use — and, perhaps surprisingly, it matches or beats the non-commercial-data model on 4 of 5 benchmarks.

Why this model exists

The standard VoiceCLAP training mix contains CC BY-NC (non-commercial) corpora: Expresso and EARS (both Meta, CC BY-NC 4.0), and the bulk of Emilia (the original 101k-hour split is CC BY-NC 4.0). That makes models trained on the full mix unusable for commercial purposes.

This model removes every non-commercial source and keeps only commercially usable data. A controlled ablation (below) shows the small model loses nothing by doing so.

Training data (all commercially licensable)

CorpusLicenseRole
Emilia-YODAS (the CC BY 4.0 subset of Emilia, ~19% of emolia-balanced)CC BY 4.0emotion / voice captions
LAION's Got TalentLAION-releasedtalking-style captions
Majestrinoin-housevoice captions

The non-commercial Emilia clips are filtered out at training time by clip-id (original-Emilia ids look like EN_B00087_S08178_W000004; the retained YODAS clips carry YouTube-style ids). Expresso and EARS are not used. Captions use the __moss_short__ scheme: the MOSS-Audio-8B-Thinking emotion sentence plus one sampled talking-style sentence, 50/50 mixed with the corpus's own caption.

Architecture

Identical to voiceclap-small — a dual-tower CLAP:

Audio encoderBUD-E-Whisper-Small: 12 layers × 768 dim × 12 heads, 80-mel @ 16 kHz
Text encoderall-MiniLM-L6-v2: 6 layers × 384 dim, mean-pooled
Joint embedding768-d, L2-normalised
LossSigLIP sigmoid contrastive + Prototypical Contrastive (PCL, w=0.2)
Total parameters~110 M

PCL adds 39 learned emotion prototypes and a cross-entropy term on z-scored pseudo-labels derived from emolia's emotion-annotation scalars — a small auxiliary loss that sharpens the emotion subspace.

Results — commercial data costs nothing

Controlled ablation, all arms trained identically (1 node, __moss_short__ + PCL w=0.2, 15 epochs), evaluated at each arm's best epoch:

Training dataemonet top1emonet ρVoiceNet-Emo bal@ppemolia ρMAEB-voice
full mix incl. non-commercial Emilia0.07120.23080.61120.20190.3472
this model — commercial only0.07210.20610.62270.20340.3564

This model wins 4 of 5 metrics — emonet top-1, VoiceNet-Emo balanced accuracy (+0.0115), emolia Spearman ρ, and MAEB-voice (+0.009). It trails only on emonet ρ (−0.025, fine-grained intensity ranking on synthetic audio, where the dropped Emilia diversity helped). On the in-domain emolia benchmark and the 8-task MAEB-voice suite it is strictly better than the non-commercial-data model.

Two recovery experiments were tried and discarded: adding VoxCeleb1/2 (CC BY) hurt, and upweighting the existing safe corpora was flat. Plain commercial data is best.

Absolute numbers are from a 1-node training scale used for the controlled ablation; treat them as relative (commercial-vs-noncommercial deltas), not as the maximum achievable with a full multi-node run.

Usage

import torch, soundfile as sf
from transformers import AutoModel, AutoTokenizer

model = AutoModel.from_pretrained("gijs/voiceclap-commercial", trust_remote_code=True).eval()
tok = AutoTokenizer.from_pretrained("gijs/voiceclap-commercial")

# audio: raw mono waveform @ 16 kHz
wav, sr = sf.read("clip.wav", dtype="float32")
audio_emb = model.encode_waveform(torch.from_numpy(wav))

# text
t = tok(["a person speaking with quiet pride in their voice"], padding=True, return_tensors="pt")
text_emb = model.encode_text(t["input_ids"], attention_mask=t["attention_mask"])

score = (audio_emb @ text_emb.T).item()  # cosine similarity (both L2-normalised)

Conversion from the training checkpoint was verified functionally against the original open_clip implementation (cosine ≥ 0.99999 on both towers).

License

CC-BY-4.0 — all training data is commercially usable (Emilia-YODAS CC BY 4.0, LAION's Got Talent, in-house Majestrino), and the architecture/weights carry no non-commercial restriction. This is the distinguishing feature of this model versus the standard VoiceCLAP releases, which inherit a non-commercial restriction from their CC BY-NC training data.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
VoiceCLAPSmall
Ревизия весов
be67384

0 моделей