/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-xls-r-300m
Библиотека
transformers
Опубликована
9 фев 2025

wav2vec-vm-finetune

Классификация текстаТекст → label3 профессии

Модель классифицирует первые две секунды английского телефонного аудио, чтобы отличить голосовую почту от ответа живого человека.

27 453скачиваний за 30 дней15лайковвеса обновлены16 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

wav2vec-vm-finetune — модель Jake Bland для обнаружения голосовой почты в телефонных звонках. Она дообучена на базе facebook/wav2vec2-xls-r-300m и использует архитектуру Wav2Vec2ForSequenceClassification; размер составляет 402,7 млн параметров. Модель классифицирует первые две секунды аудио как приветствие голосовой почты или ответ живого человека.

Модель предназначена для автоматизации обзвона и телефонных помощников: она помогает выявлять голосовую почту и фильтровать такие ответы в сценариях обслуживания клиентов и продаж. В README заявлена точность 98% на обнаружении голосовой почты; модель обучалась на закрытом наборе записей звонков. Она рассчитана только на английскую речь и предполагает, что аудиодорожка голосовой почты изолирована от звука звонящего. Лицензия — Apache-2.0.

Сценарии применения

  • определение голосовой почты в исходящих звонках
  • фильтрация голосовой почты в автоматизированных продажах
  • отбор звонков для телефонного помощника
  • маршрутизация звонков по ответу человека или автоответчика

Ограничения

Модель обучена только на английском языке и рассчитана на первые две секунды изолированной аудиодорожки голосовой почты без звука звонящего; заявленная точность 98% относится к оценке на данных карточки.

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

wav2vec-vm-finetune

This model is a fine-tuned version of facebook/wav2vec2-xls-r-300m for voicemail detection. It is trained on a dataset of call recordings to distinguish between voicemail greetings and live human responses.

Model description

This model builds on wav2vec2-xls-r-300m, a self-supervised speech model trained on large-scale multilingual data. We fine-tuned it on the first two seconds of a call.

Intended uses & limitations

  • Automated voicemail detection in AI-powered call assistants.

  • Filtering voicemail responses in customer service and sales call automation.

  • Only trianed on the English language.

  • Assumes the voicemail track is isolated and contains no audio from the caller.

  • Designed for the first two seconds of audio when calling a voicemail.

Training and evaluation data

The model was trained on a proprietary dataset of call recordings, labeled as:

  • Live human responses
  • Voicemail greetings

The dataset includes diverse voicemail recordings across multiple types to improve generalization.

Evaluation metrics

The model achieved:

  • 98% accuracy on voicemail detection.

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0003
  • train_batch_size: 16
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 32
  • optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 500
  • num_epochs: 10
  • mixed_precision_training: Native AMP

Framework versions

  • Transformers 4.48.2
  • Pytorch 2.5.1+cu124
  • Datasets 1.18.3
  • Tokenizers 0.21.0

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Нельзя запустить

Для архитектуры wav2vec2 нет загрузчика под задачу text-classification.

Класс архитектуры
Wav2Vec2ForSequenceClassification
Ревизия весов
663b7df

0 моделей