/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
convnext · dense
Базовая модель
convnext-tiny-224
Опубликована
2 июн 2025

convnext-tiny-224-audio-deepfake-classification

Классификация изображенийИзображение → label3 профессии

Дообученный ConvNeXt-Tiny классифицирует мел-спектрограммы двухсекундных аудиофрагментов как настоящую или синтетическую речь.

48скачиваний за 30 дней2лайкавеса обновлены3 июн 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

Модель разработал Jakub Polnis: это дообученный ConvNeXt-Tiny для обнаружения аудиодипфейков. Классификатор различает настоящую и синтетическую речь по мел-спектрограммам, полученным из аудиофрагментов длительностью 2 секунды. Перед подачей данных аудио нужно преобразовать в изображение спектрограммы размером 224×224; сама модель принимает изображение, а выдаёт метку класса.

Модель обучена на размеченных спектрограммах из набора Release in the Wild. В README сообщается точность 96,74% на отложенной части этого набора; этот результат не гарантирует такую же точность на других данных. Модель предназначена для первичной проверки голосовых записей, модерации и аудиофорензики, но не для распознавания речи или идентификации говорящего. Возможны ошибки, особенно на акцентах, качестве записи и условиях, отличающихся от обучающего набора; для чувствительных решений нужна проверка человеком. Лицензия — Apache-2.0.

Сценарии применения

  • проверка голосовой записи на признаки аудиодипфейка
  • первичная модерация голосового контента
  • аудиофорензический анализ синтетической речи
  • классификация двухсекундных спектрограмм как реальных или фальшивых голосов

Ограничения

Модель не принимает необработанное аудио: его нужно преобразовать в мел-спектрограмму; она рассчитана на фрагменты около двух секунд. Возможны ошибки на данных с иными акцентами, условиями записи или распределением, поэтому высокозначимые решения требуют проверки человеком.

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

ConvNeXt-Tiny Audio Deepfake Classifier

A deep learning model fine-tuned for detecting audio deepfakes using mel-spectrograms of 2-second audio clips from the Release in the Wild dataset.

model_id: audio-deepfake-classifier-convnext-tiny
model_summary: This model classifies audio clips as real or fake based on visual patterns in mel-spectrograms, using the facebook/convnext-tiny-224 architecture.

Table of Contents

Model Details

Model Description

This model is a fine-tuned ConvNeXt-Tiny image classifier applied to mel-spectrograms derived from 2-second audio clips to detect audio deepfakes. By transforming audio into visual representations (spectrograms), it leverages image classification techniques for audio-based forensics.

  • Architecture: ConvNeXt-Tiny
  • Base Model: facebook/convnext-tiny-224
  • Task: Binary classification (real vs fake)
  • Input Modality: Mel-spectrogram (224x224 image)
  • Training Framework: PyTorch + Transformers

Developed by

Jakub Polnis

Shared by

Release in the Wild Dataset (2s mel-spectrograms)

Model Type

  • Image Classification
  • Audio Deepfake Detection via Spectrograms

Language(s)

  • English

License

Apache 2.0

Finetuned From

facebook/convnext-tiny-224

Uses

Direct Use

This model can be used to classify 2-second audio clips as real or fake by first converting them into mel-spectrogram images and passing them through the classifier.

from PIL import Image
from transformers import AutoImageProcessor, AutoModelForImageClassification
import torch

processor = AutoImageProcessor.from_pretrained("kubinooo/convnext-tiny-224-audio-deepfake-classification")
model = AutoModelForImageClassification.from_pretrained("kubinooo/convnext-tiny-224-audio-deepfake-classification")

image = Image.open("/path/to/your/image").convert("RGB")
pixel_values = processor(image, return_tensors="pt").pixel_values
with torch.no_grad():
  outputs = model(pixel_values)
  logits = outputs.logits
predicted_class_idx = logits.argmax(-1).item()
print(model.config.id2label[predicted_class_idx])

Downstream Use

  • Integration into voice content moderation tools
  • Forensic applications for detecting synthetic speech
  • Fine-tuning for speaker-specific deepfake detection

Out-of-Scope Use

  • Not suitable for raw audio input without spectrogram conversion
  • May fail on clips not close to 2 seconds in length
  • Not intended for speech recognition or speaker identification

Bias, Risks, and Limitations

bias_risks_limitations

  • Demographic Bias: Dataset may be skewed toward specific accents, recording qualities, or environments.
  • Risk of Misclassification: In critical use cases (e.g., journalism, legal settings), false positives could falsely flag real voices, and false negatives may miss deepfakes.
  • Generalization Risk: Model performance may degrade on domains very different from the training data.

bias_recommendations

  • Evaluate on diverse, in-domain datasets before production use
  • Combine with metadata or alternative models for high-stakes decisions
  • Include human-in-the-loop review for sensitive classifications

Training Details

training_data

Model trained on 2-second mel-spectrogram images generated from Release in the Wild, a labeled dataset of real and fake voice clips.

preprocessing

  • Audio resampled and clipped to 2 seconds
  • Converted into mel-spectrograms
  • Images normalized and resized to 224x224

speeds_sizes_times

MetricValue
Best Epoch1
Final Validation Accuracy99.605%
Training Accuracy99.829%
Validation Loss0.01301
Final Step Accuracy99.837%
Final Step Loss0.00009

Evaluation

testing_data

Tested on held-out portion of the Release in the Wild dataset.

testing_factors

  • Real vs Fake audio
  • Consistency across balanced classes

testing_metrics

  • Accuracy
  • Class-wise accuracy
  • Confusion matrix

results

MetricValue
Overall Accuracy96.74% (7861/8126)
Real Class Accuracy97.25% (3959/4071)
Fake Class Accuracy96.23% (3902/4055)

Confusion Matrix

True LabelPredicted LabelCount
fakefake3902
fakereal153
realreal3959
realfake112

results_summary

The model achieves strong overall accuracy (~97%) with good balance between real and fake class performance. Minimal overfitting due to early convergence and robust validation metrics.

Societal Impact Assessment

This model has not yet undergone formal testing for:

  • Child safety or CSEM risks
  • NCII (non-consensual intimate imagery)
  • Violence or abusive content detection

Caution is advised when using this model in applications that could impact people’s safety, dignity, or reputation.

Environmental Impact

hardware_type

T4

hours_used

1h

cloud_provider

Google Cloud Platform

cloud_region

europe-west1

co2_emitted

0.02

Technical Specifications

model_specs

ConvNeXt-Tiny Transformer adapted to classify mel-spectrogram images as real or fake audio. Uses standard image classification head.

compute_infrastructure

Standard GPU training with PyTorch and Hugging Face Transformers.

hardware_requirements

  • Minimum: NVIDIA GPU with 8 GB VRAM
  • CPU inference possible but slower

software

  • PyTorch
  • Hugging Face Transformers
  • Librosa (for spectrogram generation)
  • Wandb

Как запустить

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

GPU в ailist

Универсальный рантайм · image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
ConvNextForImageClassification
Ревизия весов
193e6fe

0 моделей