/ Модель

Характеристики

Контекст
1 024 токена
Параметры
153 млн
Лицензия
CC BY 4.0
Архитектура
whisper · dense
Базовая модель
BUD-E-Whisper_V1.1
Библиотека
transformers
Опубликована
2 апр 2026

BUD-E-Whisper_V1.2

Распознавание речиАудио → текст4 профессии

Модель описывает речь в аудиозаписях, отмечая характеристики голоса, эмоции, манеру речи и качество записи.

197скачиваний за 30 дней3лайкавеса обновлены2 апр 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

BUD-E-Whisper V1.2 — модель LAION для подробного описания речи по аудиозаписи. Это дообученная версия BUD-E-Whisper V1.1 на датасете majestrino-unified-detailed-captions-temporal; в метаданных указаны архитектура Whisper и 153,1 млн параметров. Модель принимает аудиофрагменты длительностью до 30 секунд и генерирует текстовые описания голоса и речи с временными изменениями.

Её можно использовать для разметки характеристик голоса, предполагаемого возраста и гендера говорящего, акцента, эмоционального состояния, манеры речи и качества записи. Модель ориентирована на английскую речь, но может обрабатывать некоторые другие языки, например немецкий. Лицензия — CC BY 4.0.

Модель оптимизирована для речи: описания музыки и окружающих звуков могут быть менее содержательными. Она может ошибочно определять гендер говорящего или приписывать ему конкретные эмоции.

Сценарии применения

  • создание подробных текстовых описаний голосовых записей
  • анализ эмоциональной окраски и манеры речи
  • разметка характеристик голоса и акцента
  • описание изменений речи и эмоций во времени
  • оценка качества записи и фонового шума

Ограничения

Оптимизирована для речи и может давать менее содержательные описания музыки и окружающих звуков; максимальная длительность фрагмента — 30 секунд. Может ошибочно определять гендер говорящего или приписывать ему эмоции.

Для каких профессий подходит4

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

BUD-E-Whisper V1.2

Detailed audio captioning model that generates rich, temporal descriptions of speech audio — including voice characteristics, emotional states, recording quality, speaker demographics, and delivery style.

Fine-tuned from laion/BUD-E-Whisper_V1.1 on the majestrino-unified-detailed-captions-temporal dataset.

Model Details

  • Architecture: Whisper Small (encoder-decoder, 242M parameters)
  • Base model: laion/BUD-E-Whisper_V1.1 (itself fine-tuned from openai/whisper-small)
  • Training data: ~9M samples from TTS-AGI/majestrino-unified-detailed-captions-temporal (826 webdataset shards)
  • Training: 2x RTX 3090, DDP (gloo), fp16 mixed precision, AdamW (lr=1e-5, linear warmup 5%), batch size 20
  • Final validation loss: 0.81

What it outputs

Given an audio clip (up to 30 seconds), the model generates detailed captions describing:

  • Speaker demographics: age range, gender, accent
  • Voice timbre: pitch, brightness, breathiness, nasality, resonance
  • Emotional state: valence, arousal, dominance, specific emotions
  • Delivery style: tempo, fluency, expressiveness, naturalness
  • Recording quality: background noise, clarity, studio vs. field
  • Temporal aspects: how delivery and emotion change over time

Quick Start

from transformers import WhisperProcessor, WhisperForConditionalGeneration
import torchaudio
import torch

# Load model
processor = WhisperProcessor.from_pretrained("laion/BUD-E-Whisper_V1.2")
model = WhisperForConditionalGeneration.from_pretrained("laion/BUD-E-Whisper_V1.2")
model.generation_config.forced_decoder_ids = None
model.eval().to("cuda")

# Load audio (resample to 16kHz mono)
wav, sr = torchaudio.load("audio.wav")
if wav.shape[0] > 1:
    wav = wav.mean(dim=0, keepdim=True)
if sr != 16000:
    wav = torchaudio.functional.resample(wav, sr, 16000)
audio = wav.squeeze(0).numpy()

# Generate caption
inputs = processor.feature_extractor(audio, sampling_rate=16000, return_tensors="pt").to("cuda")
with torch.no_grad():
    generated_ids = model.generate(**inputs, max_length=448)
caption = processor.tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
print(caption)

CLI Inference

python inference.py audio.wav
python inference.py audio.mp3 --device cpu

Example Output

Input: A 5-second clip of a male speaker reading a sentence.

Output:

This recording features a clearly masculine adult male speaker delivering a narration with a strong sense of interest and concentration, occasionally exhibiting a hint of contemplation. The overall emotional valence remains neutral, with a slightly calm arousal level throughout. The speaker's demeanor is balanced, displaying a moderate degree of vulnerability alongside a subtle confidence. The vocal delivery is consistently natural and spontaneous, characterized by a neutral pitch and volume, and a smooth, clear timbre with minimal breathiness.

Training Details

ParameterValue
Base modellaion/BUD-E-Whisper_V1.1
DatasetTTS-AGI/majestrino-unified-detailed-captions-temporal
Samples trained~9M
Batch size10 per GPU x 2 GPUs = 20
Learning rate1e-5 (linear warmup 5%, linear decay)
Precisionfp16 mixed
Max audio length30 seconds
Max label tokens448
Hardware2x NVIDIA RTX 3090

Validation Loss Progression

SamplesVal Loss
2003.69
1M0.94
2M0.90
3M0.87
4M0.85
5M0.84
6M0.83
7M0.82
8M0.81
9M0.81

Limitations

  • Optimized for speech audio; may produce less meaningful captions for music or environmental sounds
  • Maximum input length is 30 seconds
  • English-centric training data, though it can handle some other languages (e.g., German)
  • May occasionally hallucinate speaker gender or specific emotional states

Citation

@misc{bud-e-whisper-v1.2,
  title={BUD-E-Whisper V1.2: Detailed Audio Captioning},
  author={LAION},
  year={2026},
  url={https://huggingface.co/laion/BUD-E-Whisper_V1.2}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
WhisperForConditionalGeneration
Ревизия весов
58891f7

0 моделей