/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
9 ноя 2024

gender_cls_svm_ecapa_voxceleb

Классификация аудиоАудио → label3 профессии

Модель griko/gender_cls_svm_ecapa_voxceleb предназначена для бинарной классификации пола говорящего по аудиозаписи.

6 897скачиваний за 30 дней5лайковвеса обновлены26 фев 2025

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

Она разработана на основе SpeechBrain ECAPA-TDNN и SVM-классификатора; в качестве разработчика в материалах указан Gregory Koushnir и соавторы проекта VANPY. Модель поддерживает многоязычные аудиоданные, но конкретный набор языков не указан.

На вход подаётся аудиофайл, который преобразуется в монофонический сигнал с частотой дискретизации 16 кГц. ECAPA-TDNN формирует вектор признаков размерностью 192, после чего SVM предсказывает один из двух классов: «male» или «female». Для выделения речи используется SileroVAD, при этом обрабатывается первый найденный голосовой сегмент. Доступны предсказания как для одного файла, так и пакетная обработка.

На тестовых данных модель достигла точности 98,9% и F1-меры 0,9885 на VoxCeleb2, точности 92,3% на англоязычном тесте Mozilla Common Voice v10.0 и 99,6% на TIMIT. Модель обучалась на VoxCeleb2 и преимущественно на голосах знаменитостей из интервью на YouTube, поэтому качество может снижаться при иных характеристиках речи, качестве звука и условиях записи. Она поддерживает только бинарную классификацию и не предназначена для представления всего спектра гендерных идентичностей. Лицензия Apache-2.0.

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

Gender Classification Model

This model combines the SpeechBrain ECAPA-TDNN speaker embedding model with an SVM classifier to predict speaker gender from audio input. The model was trained and evaluated on the VoxCeleb2, Mozilla Common Voice v10.0, and TIMIT datasets

Model Details

  • Input: Audio file (will be converted to 16kHz, mono, single channel)
  • Output: Gender prediction ("male" or "female")
  • Speaker embedding: 192-dimensional ECAPA-TDNN embedding from SpeechBrain
  • Classifier: Support Vector Machine optimized through Optuna (200 trials)
  • Performance:
    • VoxCeleb2 test set: 98.9% accuracy, 0.9885 F1-score
    • Mozilla Common Voice v10.0 English validated test set: 92.3% accuracy
    • TIMIT test set: 99.6% accuracy

Training Data

The model was trained on VoxCeleb2 dataset:

  • Training set: 1,691 speakers (845 females, 846 males)
  • Validation set: 785 speakers (396 females, 389 males)
  • Test set: 1,647 speakers (828 females, 819 males)
  • No speaker overlap between sets
  • Audio preprocessing:
    • Converted to WAV format, single channel, 16kHz sampling rate, 256 kp/s bitrate
    • Applied SileroVAD for voice activity detection, taking the first voiced segment

Installation

You can install the package directly from GitHub:

pip install git+https://github.com/griko/voice-gender-classification.git

Usage

from voice_gender_classification import GenderClassificationPipeline

# Load the pipeline
classifier = GenderClassificationPipeline.from_pretrained(
    "griko/gender_cls_svm_ecapa_voxceleb"
)

# Single file prediction
result = classifier("path/to/audio.wav")
print(result)  # ["female"] or ["male"]

# Batch prediction
results = classifier(["audio1.wav", "audio2.wav"])
print(results)  # ["female", "male", "female"]

Limitations

  • Model was trained on celebrity voices from YouTube interviews
  • Performance may vary on different audio qualities or recording conditions
  • Designed for binary gender classification only

Citation

If you use this model in your research, please cite:

@misc{koushnir2025vanpyvoiceanalysisframework,
      title={VANPY: Voice Analysis Framework}, 
      author={Gregory Koushnir and Michael Fire and Galit Fuhrmann Alpert and Dima Kagan},
      year={2025},
      eprint={2502.17579},
      archivePrefix={arXiv},
      primaryClass={cs.SD},
      url={https://arxiv.org/abs/2502.17579}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Не удалось определить, чем загружать веса модели (нет library_name и architectures).

Ревизия весов
25f3e5a

0 моделей