/ Модель

Характеристики

Контекст
512 токенов
Лицензия
CC BY-NC 4.0
Архитектура
voiceclap-small · dense
Базовая модель
voiceclap-small
Библиотека
transformers
Опубликована
11 июн 2026

voiceclap-small-v2

ЭмбеддингиТекст → embedding4 профессии

VoiceCLAP-Small-v2 — контрастивная аудиотекстовая модель LAION для создания эмбеддингов голоса и описаний, особенно полезных для анализа эмоций и разговорного стиля.

334скачиваний за 30 дней1лайквеса обновлены12 июн 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-Small-v2 — контрастивная модель для совместного представления голоса и текста, разработанная LAION как версия laion/voiceclap-small с дополнительным обучением на коротких эмоционально ориентированных описаниях аудио. Она использует двухбашенную архитектуру CLAP: аудиобашню на основе BUD-E-Whisper_V1.1 и текстовую башню на основе MiniLM-L6-v2, после которых применяются отдельные MLP-проекции; обучение проводилось с контрастивной функцией потерь SigLIP. Модель предназначена для получения сопоставимых эмбеддингов речи и текстовых описаний, в частности для анализа эмоций и разговорного стиля, а также поиска соответствия между голосовым фрагментом и текстом. В README сообщается об улучшении относительно первой версии на измеренных бенчмарках, включая EmoNet-Voice, при том же размере и стоимости инференса.

Аудиоэнкодер имеет 12 слоёв, размерность 768 и 12 голов внимания, принимает 80-мерные мел-спектрограммы с частотой 16 кГц; текстовый энкодер MiniLM имеет 6 слоёв и размерность 384 с усреднением токенов. Модель поддерживает английский, немецкий, французский, испанский и китайский языки. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Показатели бенчмарков из README не гарантируют качество на иных данных и задачах; для практического поиска нужно отдельно организовать вычисление и сравнение эмбеддингов.

Сценарии применения

  • поиск голосовых фрагментов по текстовому описанию эмоции
  • сопоставление речи с текстовыми подписями
  • извлечение признаков голоса для анализа эмоций
  • поиск похожих аудиофрагментов по эмбеддингам
  • анализ разговорного стиля по голосовым данным

Ограничения

Лицензия CC-BY-NC-4.0 запрещает коммерческое использование. Заявленные улучшения основаны на ограниченном наборе измеренных бенчмарков; результаты для других данных и задач не установлены.

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

VoiceCLAP-Small-v2

Voice-text contrastive (CLAP-style) embedding model — the successor to laion/voiceclap-small, trained with emotion-led MOSS-Audio short captions. Better than v1 on every benchmark we measure, at identical size and inference cost.

Same dual-tower architecture as v1: a BUD-E-Whisper_V1.1 audio encoder paired with sentence-transformers/all-MiniLM-L6-v2 on the text side, joined by an MLP projection on each side and trained with the SigLIP sigmoid contrastive loss.

Architecturedual-tower CLAP (BUD-E-Whisper-Small + MiniLM-L6-v2)
Audio encoderWhisper-style: 12 layers × 768 dim × 12 heads, 80-mel input @ 16 kHz
Text encoderBERT/MiniLM, 6 layers × 384 dim, mean-pooled
Joint embedding768-d, L2-normalised
LossSigLIP (sigmoid contrastive)
Total parameters~110 M
Training40 M samples (20 epochs × 2 M), best checkpoint epoch 19

What's new vs v1

v1 sampled k=2 uniformly-chosen MOSS-Audio attribute sentences per clip as the caption. v2 replaces this with an emotion-led short caption: the MOSS-Audio-8B-Thinking EMO sentence (a direct natural-language description of the emotional state) plus one randomly sampled talking-style sentence, re-drawn every epoch. Captions stay 50/50 blended with each corpus's original captions. The emotion-first structure concentrates contrastive signal on the emotion subspace without sacrificing style coverage.

Evaluation

Benchmarkv1 (released)v2 (this model)Δ
EmoNet-Voice top-10.09020.1015+13% rel
EmoNet-Voice Spearman ρ0.22800.2561+12% rel
MAEB-voice mean (8 tasks)0.38610.3893+0.8%

The ρ gain also clears every arm of the v1 caption-sampling sweep (best: 0.2399 at k=2). MAEB-voice shows no general-speech regression.

Training data

Trained on the open 9-corpus mixture used in the VoiceNet paper:

  • emolia-balanced-5M-subset (annotated subset of Emilia)
  • laions_got_talent_clean_with_captions
  • majestrino-data
  • synthetic_vocal_bursts + improved_synthetic_vocal_bursts
  • ears, expresso, voxceleb1, voxceleb2 (FCaps captions)

MOSS-Audio-8B-Thinking annotations (18 prompt groups, 61 attribute values per clip) provide the EMO + style sentences for the three large corpora.

Usage

import torch
from transformers import AutoModel, AutoTokenizer

model = AutoModel.from_pretrained("laion/voiceclap-small-v2", trust_remote_code=True).eval()
tok = AutoTokenizer.from_pretrained("laion/voiceclap-small-v2")

# audio: raw mono waveform at 16 kHz
import soundfile as sf
wav, sr = sf.read("clip.wav", dtype="float32")
audio_emb = model.encode_waveform(torch.from_numpy(wav))

# text
t = tok(["a person speaking with quiet pride in their voice"], padding=True, return_tensors="pt")
text_emb = model.encode_text(t["input_ids"], attention_mask=t["attention_mask"])

score = (audio_emb @ text_emb.T).item()

Conversion from the training checkpoint was verified functionally against the original open_clip implementation (cosine ≥ 0.9999 on both towers).

Sibling models

License

cc-by-nc-4.0

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
VoiceCLAPSmall
Ревизия весов
0fc9402

0 моделей