/ Модель

Характеристики

Лицензия
MIT
Архитектура
whisper_severity_probe · dense
Опубликована
2 апр 2026

da-dsqa

Классификация аудиоАудио → label

Регрессионная модель оценивает тяжесть дизартрической речи по аудио по шкале от 1 до 7.

226скачиваний за 30 дней0лайковвеса обновлены4 июл 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

jaesungbae/da-dsqa — модель регрессионной оценки тяжести дизартрической речи по аудиозаписи. Она использует замороженный энкодер Whisper-large-v3, за которым следуют LayerNorm, двухслойный MLP-проектор размерности 320, статистический пулинг по среднему и стандартному отклонению и линейный регрессионный слой. Обучение включает генерацию псевдоразметки, контрастивное предобучение со слабым контролем и дообучение регрессионного пробника; в репозитории доступны девять чекпойнтов с разными вариантами контрастивной функции потерь.

Модель предназначена для определения уровня выраженности дизартрии в речи: оценка от 1,0 соответствует типичной речи или наименьшей выраженности, а 7,0 — наиболее выраженной дизартрии. Она принимает аудио и выдаёт числовой показатель тяжести. Для работы требуются Whisper-large-v3 и Silero VAD; README отмечает необходимость достаточного объёма памяти. Лицензия — MIT. Оценка предназначена для анализа речевых записей и сама по себе не устанавливает диагноз.

Сценарии применения

  • оценка выраженности дизартрии в речевой записи
  • сравнение тяжести нарушений речи между записями
  • анализ изменений речи при наблюдении за пациентом
  • исследовательская оценка дизартрической речи

Ограничения

Оценка дана по шкале от 1 до 7 и не является диагнозом. Для запуска требуются Whisper-large-v3, Silero VAD и достаточная память; README не приводит показатели точности или подтверждение клинической пригодности.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Dysarthric Speech Severity Level Classifier

A regression probe trained on top of Whisper-large-v3 encoder features for estimating the severity level of dysarthric speech.

Score scale: 1.0 (typical / least severe) to 7.0 (most severe dysarthria)

GitHub: JaesungBae/DA-DSQA

Model Description

This model uses a three-stage training pipeline:

  1. Pseudo-labeling — A baseline probe generates pseudo-labels for unlabeled data
  2. Contrastive pre-training — Weakly-supervised contrastive learning with typical speech augmentation
  3. Fine-tuning — Regression probe fine-tuned with the pre-trained projector

Architecture: Whisper-large-v3 encoder (frozen) → LayerNorm → 2-layer MLP (proj_dim=320) → Statistics Pooling (mean+std) → Linear → Score

For details, see our paper:

Something from Nothing: Data Augmentation for Robust Severity Level Estimation of Dysarthric Speech [arXiv]

Available Checkpoints

This repository contains 9 checkpoints trained with different contrastive losses:

CheckpointContrastive Lossτ
proposed_L_coarse_tau0.1Proposed (L_coarse)0.1
proposed_L_coarse_tau1.0Proposed (L_coarse)1.0
proposed_L_coarse_tau10.0Proposed (L_coarse)10.0
proposed_L_coarse_tau50.0Proposed (L_coarse)50.0
proposed_L_coarse_tau100.0 (default)Proposed (L_coarse)100.0
proposed_L_cont_tau0.1Proposed (L_cont)0.1
proposed_L_dis_tau1.0Proposed (L_dis)1.0
rank-n-contrast_tau100.0Rank-N-Contrast100.0
simclr_tau0.1SimCLR0.1

Setup

1. Create conda environment

conda create -n da-dsqa python=3.10 -y
conda activate da-dsqa

2. Install PyTorch with CUDA

conda install pytorch torchaudio -c pytorch -y

For a GPU build with a specific CUDA version, see pytorch.org for the appropriate command.

3. Install remaining dependencies

pip install -r requirements.txt

Note: Silero VAD is loaded automatically at runtime via torch.hub — no separate installation needed.

Runtime Dependencies

This model loads openai/whisper-large-v3 (~6GB) and Silero VAD at initialization time. Ensure sufficient memory is available.

Usage

With the custom pipeline

from huggingface_hub import snapshot_download

# Download the model
model_dir = snapshot_download("jaesungbae/da-dsqa")

# Load pipeline (defaults to proposed_L_coarse_tau100.0)
from pipeline import PreTrainedPipeline
pipe = PreTrainedPipeline(model_dir)

# Run inference
result = pipe("/path/to/audio.wav")
print(result)
# {"severity_score": 4.25, "raw_score": 4.2483, "model_name": "proposed_L_coarse_tau100.0"}

Select a specific checkpoint

# Option 1: specify at initialization
pipe = PreTrainedPipeline(model_dir, model_name="simclr_tau0.1")

# Option 2: switch at runtime (Whisper & VAD stay loaded)
pipe.switch_model("rank-n-contrast_tau100.0")
result = pipe("/path/to/audio.wav")

# Option 3: override per call
result = pipe("/path/to/audio.wav", model_name="proposed_L_dis_tau1.0")

Batch inference

results = pipe.batch_inference([
    "/path/to/audio1.wav",
    "/path/to/audio2.wav",
    "/path/to/audio3.wav",
])
for r in results:
    print(f"{r['file']}: {r['severity_score']}")

List available checkpoints

print(pipe.list_models())
# ['proposed_L_coarse_tau0.1', 'proposed_L_coarse_tau1.0', ...]

Compare all checkpoints on a single file

for name in pipe.list_models():
    result = pipe("/path/to/audio.wav", model_name=name)
    print(f"{name}: {result['severity_score']}")

Standalone inference

Clone the full repository and run:

python inference.py \
    --wav /path/to/audio.wav \
    --checkpoint ./checkpoints/stage3/proposed_L_coarse_tau100.0/average

Citation

@misc{bae2026something,
  title         = {Something from Nothing: Data Augmentation for Robust Severity Level Estimation of Dysarthric Speech},
  author        = {Jaesung Bae and Xiuwen Zheng and Minje Kim and Chang D. Yoo and Mark Hasegawa-Johnson},
  year          = {2026},
  eprint        = {2603.15988},
  archivePrefix = {arXiv},
  primaryClass  = {eess.AS},
  url           = {https://arxiv.org/abs/2603.15988}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · audio-classification

Нельзя запустить

Архитектура whisper_severity_probe неизвестна transformers в образе рантайма.

Класс архитектуры
WhisperFeatureProbeV2
Ревизия весов
1d7ed37

0 моделей