/ Модель

Характеристики

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

BUD-E-Whisper_V1.21

Распознавание речиАудио → текст3 профессии

Модель Whisper для создания подробных текстовых описаний речи, голоса, эмоций и качества аудиозаписи.

87скачиваний за 30 дней2лайкавеса обновлены6 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 V1.21 — модель LAION для подробного описания речи в аудиозаписях. Она дообучена на базе laion/BUD-E-Whisper_V1.2 и использует архитектуру Whisper Small с кодировщиком и декодировщиком; метаданные указывают 153,1 млн параметров и формат safetensors. Лицензия — CC BY 4.0.

Модель принимает аудиоклип длительностью до 30 секунд и генерирует текстовое описание голоса и речи: тембра, эмоций, манеры подачи, предполагаемых характеристик говорящего, качества записи и изменений во времени. Дополнительный этап обучения на сбалансированной по 40 категориям эмоций выборке призван улучшить описание редких эмоциональных состояний. Обучение преимущественно ориентировано на английскую речь, но модель может работать и с некоторыми другими языками.

Модель подходит для анализа и аннотирования речевых записей, когда нужны подробные описания голоса и эмоциональной подачи. По оценке авторов, она может лучше справляться с редкими эмоциями, но её средняя оценка на автоматическом бенчмарке ниже, чем у V1.2. На музыке и окружающих звуках описания могут быть менее содержательными; возможны ошибки в определении пола говорящего и эмоций.

Сценарии применения

  • создание подробных подписей к речевым аудиозаписям
  • аннотирование эмоций и манеры речи в диалогах
  • описание тембра и характеристик голоса говорящего
  • оценка качества и шумов в речевых записях
  • отслеживание изменений эмоций и подачи речи во времени

Ограничения

Оптимизирована для речи и может давать менее содержательные описания музыки и окружающих звуков; длина входного аудио ограничена 30 секундами. Возможны ошибки в определении пола говорящего и конкретных эмоций; на распространённых эмоциях бенчмарк показал результат немного ниже V1.2.

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

BUD-E-Whisper V1.21

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

This model is fine-tuned from laion/BUD-E-Whisper_V1.2 with an additional 2-epoch training pass on an emotion-balanced subset of the training data, specifically designed to improve coverage of rare emotional states.

Comparison with V1.2

V1.21 scores slightly lower than V1.2 on automated Gemini 3.1 Pro evaluation benchmarks (grand average 2.60 vs 2.73 across 6 dimensions), but captions appear subjectively to be somewhat better — particularly for audio with complex or uncommon emotional content. The automated evaluation's validation set is dominated by common emotions (Interest, Contentment, Contemplation), which biases the benchmark toward models trained on the natural distribution. V1.21 trades some accuracy on these common cases for improved handling of rare emotions like jealousy, infatuation, intoxication, shame, and pain.

Training History

This model was produced through a multi-stage fine-tuning pipeline. We explored several approaches:

ModelBaseTraining DataEpochsLRVal LossGemini Grand Avg
BUD-E-Whisper V1.0whisper-smallproprietary---2.13
BUD-E-Whisper V1.1V1.0proprietary---2.41
V1.0 FT (1 epoch)V1.0majestrino-temporal (full)11e-50.8482.58
BUD-E-Whisper V1.2V1.1majestrino-temporal (full)~21e-50.8112.73
V1.2 + balanced (1e-5)V1.2balanced emotions (520K)21e-50.8172.57
V1.21 (this model)V1.2balanced emotions (520K)25e-60.8142.60

Detailed Gemini 3.1 Pro Evaluation (100 samples)

DimensionV1.0V1.1V1.0 FTV1.2V1.2+bal 1e-5V1.21
Timbre1.112.632.983.142.943.08
Emotion3.762.902.512.622.352.31
Style1.762.652.892.982.862.78
Recording Quality3.433.543.253.373.543.44
Temporal0.270.511.741.991.601.76
Overall2.432.232.102.282.112.21
Grand Average2.132.412.582.732.572.60

Balanced Emotion Dataset

The second-stage training uses TTS-AGI/balanced-emotion-dataset-majestrino-withtemporal-detailed-captions, a curated subset of 482,594 samples balanced across 40 emotion categories (12,997 samples each). Categories range from common (Interest, Contentment) to rare (Intoxication, Sexual Lust, Jealousy). The balancing was done via keyword matching on captions, with samples drawn from diverse source shards.

The 40 emotion categories: Amusement, Elation, Pleasure/Ecstasy, Contentment, Thankfulness/Gratitude, Affection, Infatuation, Hope/Optimism, Triumph, Pride, Interest, Awe, Astonishment/Surprise, Concentration, Contemplation, Relief, Longing, Teasing, Impatience/Irritability, Sexual Lust, Doubt, Fear, Distress, Confusion, Embarrassment, Shame, Disappointment, Sadness, Bitterness, Contempt, Disgust, Anger, Malevolence/Malice, Sourness, Pain, Helplessness, Fatigue/Exhaustion, Emotional Numbness, Intoxication/Altered States, Jealousy/Envy.

Model Details

  • Architecture: Whisper Small (encoder-decoder, 242M parameters)
  • Base model: laion/BUD-E-Whisper_V1.2 (V1.1 fine-tuned on majestrino temporal captions)
  • Stage 2 data: 482,594 balanced emotion samples (2 epochs = ~965K samples seen)
  • Training: 2x RTX 3090, DDP (gloo), fp16, AdamW (lr=5e-6, cosine schedule, 5% warmup)
  • Final validation loss: 0.814

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_V1.21")
model = WhisperForConditionalGeneration.from_pretrained("laion/BUD-E-Whisper_V1.21")
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

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
  • May occasionally hallucinate speaker gender or specific emotional states
  • Slightly lower benchmark scores than V1.2 on common-emotion validation samples

Citation

@misc{bud-e-whisper-v1.21,
  title={BUD-E-Whisper V1.21: Emotion-Balanced Audio Captioning},
  author={LAION},
  year={2026},
  url={https://huggingface.co/laion/BUD-E-Whisper_V1.21}
}

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
54bec88

0 моделей