/ Модель

Характеристики

Контекст
32 768 токенов
Лицензия
CC BY 4.0
Архитектура
qwen2_5_omni_thinker · dense
Базовая модель
LCO-Embedding-Omni-7B
Библиотека
sentence-transformers
Опубликована
11 июн 2026

voiceclap-large-v2

ЭмбеддингиТекст → embedding3 профессии

VoiceCLAP-Large-v2 сопоставляет аудиозаписи речи с текстовыми описаниями с помощью эмбеддингов и ориентирована, в частности, на анализ эмоций в голосе.

74 326скачиваний за 30 дней12лайковвеса обновлены9 сен 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

VoiceCLAP-Large-v2 — модель эмбеддингов аудио и текста от LAION, созданная дообучением LCO-Embedding-Omni-7B с помощью rank-16 LoRA. Она основана на архитектуре Qwen2.5-Omni thinker и предназначена для сопоставления речи с текстовыми описаниями, в том числе для анализа эмоций в голосе. Модель обучалась с контрастивными функциями потерь InfoNCE и Prototypical Contrastive Loss на смеси аудиокорпусов и подписей MOSS-Audio.

Модель кодирует аудиоклип и текст в эмбеддинги, близость которых можно оценивать сравнением векторов. В README приведены результаты тестирования на эмоциональных и связанных с голосом признаках; авторы сообщают об улучшении относительно предыдущей версии VoiceCLAP и варианта без PCL. Указана поддержка английского, немецкого, французского, испанского и китайского языков. Для работы README предлагает библиотеку Sentence Transformers и загрузку с trust_remote_code=True. Лицензия — CC-BY-4.0.

Сценарии применения

  • поиск аудиоклипов по текстовому описанию голоса
  • сопоставление речи с описанием эмоциональной окраски
  • ранжирование аудиозаписей по сходству с текстовым запросом
  • извлечение эмбеддингов речи и аудиотекста
  • оценка эмоциональных признаков в голосовых записях

Ограничения

В README приведены результаты на конкретном бенчмарке, но они не гарантируют качество на других наборах данных и сценариях. Для загрузки README рекомендует включить trust_remote_code=True.

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

VoiceCLAP-Large-v2 (PCL)

A rank-16 LoRA finetune of LCO-Embedding-Omni-7B (Qwen2.5-Omni thinker) trained with InfoNCE + Prototypical Contrastive loss (PCL) on the VoiceCLAP 9-corpus mix with MOSS-Audio k=2 sampled captions. Successor to laion/voiceclap-large — better on every benchmark we measure.

What's new vs voiceclap-large

  1. PCL auxiliary loss (weight 0.1): 39 learned emotion prototypes; cross-entropy of audio embeddings vs prototypes on pseudo-labeled clips.
  2. z-scored pseudo-labels: emolia's emotion_annotation scalars, argmax over per-emotion z-scores vs corpus base rates (raw argmax is degenerate — high-base-rate dimensions win ~99% of clips). z ≥ 1.5 labels ~80-98% of emolia across all 39 emotion classes.
  3. LoRA rank 16 (α=32) — rank shown equivalent to r=32 in a controlled A/B.

Evaluation (VoiceNet benchmark, human-annotated)

Same-commit comparison on the VoiceNet harness:

ModelEmo bal@ppEmo ρExt bal@ppExt ρ
voiceclap-small0.67540.31760.65760.1116
voiceclap-large (anchor re-run)0.69910.35980.67390.1897
this model (PCL ep1)0.70690.38650.68160.2125

Controlled A/B vs its exact no-PCL twin (identical data/recipe, ep1):

emolia per-emoemonet top-1emonet ρ
InfoNCE only0.69840.14110.3651
+ PCL w=0.10.70530.15440.3993

Ensemble notes: averaging this model's similarities with gijs/voiceclap-lco-7b-lora and the k=10 MOSS variant sets the current VoiceNet records (Emo bal@pp 0.7102; Ext bal@pp 0.6883).

Training recipe

Data7 corpora (emolia-balanced, Got Talent, Majestrino, bursts, VoxCeleb1/2)
Captionsoriginal / k=2-sampled MOSS-Audio sentences, 50/50
Samples seen76,000 (1 epoch; best checkpoint)
LoRAr=16, α=32, dropout 0.05, all-linear
PCLweight 0.1, 39 prototypes, temp 0.1, proto-lr 1e-3, z≥1.5 pseudo-labels
lr / wd1e-4 / 0.01, warmup 200, cosine
Batch4 × accum 8 × 4 GH200 = effective 128
Precisionbf16

Quick start

import torch
from sentence_transformers import SentenceTransformer

model = SentenceTransformer(
    "laion/voiceclap-large-v2",
    trust_remote_code=True,
    model_kwargs={"torch_dtype": torch.bfloat16},
)
audio_emb = model.encode("clip.flac")
text_emb  = model.encode("A person speaking with quiet pride in their voice")
score     = (audio_emb @ text_emb.T).item()

License

cc-by-4.0

Confirmed by the rights holder (LAION) on 2026-09-09: the weights of this model are released under CC BY 4.0. This licence statement is the rights holder's determination for the released weights; see the training-data table above for the corpora used and their own licences. laion/voiceclap-commercial is offered for users who require a model whose training lineage contains no non-commercially licensed corpus at all.

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Нельзя запустить

Для архитектуры qwen2_5_omni_thinker нет загрузчика под задачу embedding.

Класс архитектуры
Qwen2_5OmniThinkerForConditionalGeneration
Ревизия весов
edd7959

0 моделей