/ Модель

Характеристики

Лицензия
MIT
Архитектура
tone_cnn · dense
Библиотека
transformers
Опубликована
4 окт 2026

tone

Классификация аудиоАудио → label

Компактная сверточная модель для классификации однословных английских голосовых команд по коротким аудиофрагментам.

53скачиваний за 30 дней0лайковвеса обновлены4 окт 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

Tone — компактная сверточная модель harpertoken для классификации коротких голосовых команд. Она принимает аудиофрагмент длительностью одну секунду с частотой 16 кГц, преобразует его в 64-полосную log-mel-спектрограмму и относит к одному из десяти слов: yes, no, up, down, left, right, on, off, stop или go. Архитектура включает два сверточных слоя, адаптивное pooling-преобразование, полносвязный слой с dropout и выходной слой на десять классов; модель доступна через Transformers и сохраняется в формате safetensors.

Модель обучена восемь эпох на десяти классах датасета Speech Commands v0.02. Точность на стандартном тестовом разбиении из 4 074 клипов составляет 0,9116. Она подходит для распознавания изолированных команд в простых голосовых интерфейсах и экспериментов с классификацией аудио. Лицензия — MIT.

Модель не предназначена для непрерывной речи, других слов или языков, а также для записи в условиях сильного шума; заявленная точность относится только к указанному тестовому разбиению.

Сценарии применения

  • распознавание команд yes/no в голосовом интерфейсе
  • определение направления up/down/left/right по голосовой команде
  • распознавание команд включения и выключения устройств
  • классификация команд stop и go в аудиоклипах

Ограничения

Рассчитана на изолированные английские слова-команды длительностью одну секунду; непрерывная речь, другие языки и сильный шум находятся вне области применения. Точность 0,9116 измерена только на указанном тестовом разбиении.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

tone

A small convolutional classifier over spoken commands: one second of 16 kHz audio in, one of ten words out. Input is a 64-bin log-mel spectrogram (25 ms window, 10 ms hop), classified by two convolution layers (1 to 32 channels, 32 to 64, 3 by 3 kernels) with max pooling, adaptive pooling to 8 by 8, a 128-unit dense layer with dropout, and a 10-way head. Trained for eight epochs with Adam at learning rate 1e-3, batch size 128, seed 0. Test accuracy 0.9116 on the canonical testing_list.txt split of 4,074 clips. CPU training.

The ten classes, in order, are yes, no, up, down, left, right, on, off, stop and go.

No transformer here. The PreTrainedModel wrapper exists only so the weights serialize as config.json plus model.safetensors and load through AutoModel (including trust_remote_code via auto_map), the same arrangement as wear and pole. There is no attention and no pretraining: it classifies one-second command clips and nothing else.

Usage

import numpy as np
from transformers import AutoModel
from modeling_tone import ToneCNN  # registers the architecture

model = AutoModel.from_pretrained("harpertoken/tone")
model.eval()
waveform = np.zeros(16000, dtype=np.float32)
print(model.predict_label(waveform))

predict_label takes 16,000 float samples at 16 kHz and returns the command word. Clips shorter than a second are zero-padded and longer ones truncated, matching training exactly. Needs torch, torchaudio for the mel transform, and transformers.

Predictions

First test clips of three words, with model predictions on their log-mel inputs

The first test clip of three words in testing_list.txt order, shown as the 64-bin log-mel spectrograms the model actually classifies, with the predicted word, the true word, and the file. All three are correct, which is what the selection rule produced rather than a curated set; overall test accuracy is 0.9116, so roughly one in twelve predictions elsewhere is wrong.

Training

Canonical Speech Commands v0.02 via torchaudio, restricted to the ten command words (34,472 train clips after the test split is removed, 4,074 test). Torchaudio's own loader needed torchcodec, whose native library would not load on the training machine, so waveforms were read with scipy and the mel transform uses torchaudio's pure-torch MelSpectrogram. An earlier hand-rolled mel filterbank trained to chance (loss stuck at ln 10), which is why the dependency is there.

Per-epoch test accuracy ran 0.7239, 0.7955, 0.8441, 0.8675, 0.8893, 0.9001, 0.9043, 0.9116. The wrapper was checked for exact equivalence: identical predictions on 500 test clips in eval mode, after catching that dropout made train-mode outputs differ.

No dataset is published alongside this model. Speech Commands already exists canonically and re-hosting it would add a duplicate, so the card cites the source instead.

Limitations

One-second isolated English command words recorded in ordinary rooms. Anything else, continuous speech, other languages, heavy noise, is out of scope and the scores will be meaningless. 0.9116 is an ordinary result for this setup, not a benchmark claim.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · audio-classification

Нельзя запустить

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

Класс архитектуры
ToneCNN
Ревизия весов
f5c0b94

0 моделей