/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
spear · dense
Библиотека
transformers
Опубликована
22 июн 2026

spear-xlarge-speech-audio-v2

ЭмбеддингиТекст → embedding3 профессии

SPEAR XLarge v2 — крупный Zipformer-энкодер для получения представлений английской речи и общего аудио с целью последующей настройки под задачи распознавания и анализа звука.

1 019скачиваний за 30 дней6лайковвеса обновлены22 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

SPEAR XLarge v2 — открытый энкодер SPEAR для обучения представлениям речи и общего аудио, разработанный авторами работы SPEAR и опубликованный как версия модели для статьи, принятой на ICML 2026. Это самонагружаемая модель с backbone Zipformer из 13 стеков и примерно 600 млн параметров. На вход подаются монофонические или пакетированные аудиосигналы с частотой 16 кГц; энкодер выдаёт покадровые представления размерностью 1280 примерно с частотой 50 Гц.

Модель обучалась на неразмеченных данных: около 184 тысяч часов английской речи и 13 тысяч часов общего аудио. Версия v2 добавляет token mixing для повышения устойчивости к шуму, перекрывающейся речи и смешанным акустическим сценам. SPEAR предназначена как универсальный акустический энкодер для последующей настройки под распознавание речи, аудиотегирование и другие задачи понимания речи и звуков; сама предобученная модель не выдаёт транскрипции или метки без соответствующей downstream-модели или дообучения. Карточка сообщает о высоких результатах на SUPERB и HEAR, а также приводит результаты настройки на LibriSpeech и AudioSet. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • извлечение признаков из аудиозаписей для downstream-моделей
  • подготовка энкодера для распознавания английской речи после дообучения
  • дообучение модели для тегирования звуковых событий
  • анализ шумных записей и перекрывающейся речи
  • создание представлений для классификации музыки и окружающих звуков

Ограничения

Модель предобучена на неразмеченном аудио и сама по себе не выполняет распознавание речи или аудиотегирование: для этих задач требуется дообучение на размеченных данных. Входной сигнал должен быть монофоническим или пакетированным и иметь частоту 16 кГц; в карточке описано обучение на английской речи.

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

SPEAR XLarge v2 (speech + general audio)

Hugging Face arXiv ICML 2026

SPEAR XLarge v2 is the flagship open-source SPEAR encoder for unified speech and general-audio representation learning. This is the ICML 2026 accepted version of SPEAR: A Unified SSL Framework for Learning Speech and Audio Representations.

This model is the XLarge v2 release, aligned with the model used in the ICML 2026 paper. Compared with the earlier XLarge v1, v2 is enhanced for complex acoustic scenes through token mixing, improving robustness for overlapped speech, noisy audio, and real-world sound mixtures while keeping SPEAR's unified speech-and-audio design.

SPEAR XLarge v2 uses a Zipformer backbone with about 600M parameters, consisting of 13 Zipformer stacks. It produces 1280-dimensional frame-level representations at approximately 50 Hz from 16 kHz waveforms.

🚀 Why Use This Model?

SPEAR XLarge v2 is designed as a general-purpose acoustic foundation model: one encoder for speech understanding, audio-event understanding, and downstream fine-tuning.

  • Unified speech + audio representations: trained to model both spoken language and general acoustic events in a single SSL encoder.
  • ICML 2026 model version: this is the v2 XLarge model corresponding to the accepted ICML 2026 work.
  • Stronger complex-scene robustness: v2 adds token mixing to improve learning under overlapped/noisy speech and mixed audio scenes.
  • State-of-the-art representation quality: SPEAR achieves SOTA results on both SUPERB and HEAR, covering speech and general-audio representation evaluation.
  • Strong fine-tuning performance: the model performs very well when fine-tuned for automatic speech recognition (ASR) and audio tagging (AT).

🎧 Pre-training Data

The model was pre-trained on 197k hours of mixed English speech and general-audio data: 184k hours of speech and 13k hours of general audio.

Speech data:

DatasetDuration
Libriheavy~50k hours
Gigaspeech~10k hours
VoxPopuli (en)~24k hours
yodas-granary~100k hours

General-audio data:

DatasetDuration
AudioSet~5k hours
Freesound~2.8k hours
Music4all~1k hours
VGGSound~0.5k hours
MTG-Jamendo~3.8k hours

🏆 Downstream Performance

SPEAR XLarge v2 delivers state-of-the-art results on both major representation-learning benchmarks: SUPERB for speech representation evaluation and HEAR for general-audio representation evaluation. This makes it a strong default encoder when a project needs one model that works well across speech, environmental audio, music, and mixed acoustic scenes.

SPEAR XLarge v2 is pre-trained only with unlabeled audio. For supervised tasks such as ASR or AT, fine-tune it with labeled downstream data.

When fine-tuned on LibriSpeech for ASR, the XLarge model achieves:

Fine-tuning datatest-clean WERtest-other WER
LS9601.62.9

When fine-tuned on AudioSet for audio tagging, the XLarge model achieves:

Fine-tuning datamAP
AudioSet Balanced39.4
AudioSet Full50.0

⚡ Usage

The model expects mono or batched 16 kHz waveform input. The example below extracts the top-layer representation and all intermediate hidden states.

from transformers import AutoModel
import torch

model = AutoModel.from_pretrained(
    "marcoyang/spear-xlarge-speech-audio-v2",
    trust_remote_code=True,
)

device = "cuda" if torch.cuda.is_available() else "cpu"
model = model.to(device).eval()

# Dummy 10-second waveform at 16 kHz.
audio = torch.randn(1, 160000, device=device)
audio_len = torch.tensor([audio.shape[1]], device=device)

with torch.no_grad():
    outputs = model(audio, audio_len)

encoder_out = outputs["encoder_out"]       # (batch, frames, 1280)
encoder_out_lens = outputs["encoder_out_lens"]
hidden_states = outputs["hidden_states"]   # list of intermediate states

print(encoder_out.shape)
print(encoder_out_lens)
print(len(hidden_states))                  # 13 layers
print(hidden_states[-1].shape)

Important: SPEAR models are pre-trained on 16 kHz audio. Resample your input to 16 kHz before passing it to the model.

📄 Paper

SPEAR: A Unified SSL Framework for Learning Speech and Audio Representations

Authors: Xiaoyu Yang, Yifan Yang, Zengrui Jin, Ziyun Cui, Wen Wu, Baoxiang Li, Chao Zhang, Phil Woodland

Abstract: Self-supervised learning (SSL) has significantly advanced acoustic representation learning. However, most existing models are optimised for either speech or audio event understanding, resulting in a persistent gap between these two domains. We address this gap with SPEAR (SPEech and Audio Representations), a self-supervised framework that distils complementary knowledge from a speech-focused SSL teacher and a general-audio SSL teacher into a single unified model. SPEAR applies multi-codebook vector quantisation to continuous teacher representations to produce fine-grained discrete tokens that capture both semantic and acoustic information. To effectively integrate these heterogeneous representations, SPEAR jointly predicts them given a masked input with an asymmetric pre-training loss. We further improve robustness in complex sound scenes through a novel token mixing mechanism. Extensive experiments demonstrate that SPEAR consistently outperforms existing unified speech and audio models. SPEAR establishes a new state-of-the-art on the SUPERB benchmark, surpassing WavLM Large on 12 of 15 tasks, while achieving competitive performance on the HEAR benchmark. These results position SPEAR as a versatile foundation for general-purpose speech and audio representation learning. The code and pre-trained models will be released.

📜 License

Apache-2.0

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
SpearModel
Ревизия весов
c7cdaa4

0 моделей