/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-base-960h
Библиотека
transformers
Опубликована
31 мая 2025

Common-Voice-Gender-Detection

Классификация текстаТекст → label5 профессий

Дообученная wav2vec 2.0 модель классифицирует речевое аудио по метке female или male.

185 тыс.скачиваний за 30 дней34лайкавеса обновлены12 ноя 2025

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

Common-Voice-Gender-Detection — модель PrithivMLmods для бинарной классификации аудио по голосовым признакам с метками «female» и «male». Она дообучена на facebook/wav2vec2-base-960h и использует архитектуру Wav2Vec2ForSequenceClassification; размер модели — 113,3 млн параметров.

Модель предназначена для определения метки голоса в речевых записях: например, для тегирования аудио, сортировки голосовых наборов данных и вспомогательной аналитики звонков, подкастов и интервью. В README приведён отчёт классификации на 6545 примерах с точностью 98,46%; эти результаты относятся к указанной оценке и не гарантируют такую же точность на других данных.

Модель принимает аудио и выдаёт класс, поэтому подходит для классификации, а не для транскрибирования речи. Базовая модель ориентирована на английскую речь, а метаданные указывают английский язык. Лицензия — Apache-2.0.

Сценарии применения

  • определение метки голоса в аудиозаписи
  • тегирование записей звонков по голосовым характеристикам
  • сортировка голосовых датасетов по классам female и male
  • создание метаданных для подкастов и интервью
  • анализ речи в исследованиях акустики и языковых вариаций

Ограничения

Модель предсказывает только два класса female и male, поэтому такая классификация не охватывает всё разнообразие гендерных идентичностей. Приведённые в README метрики не гарантируют аналогичное качество на иных записях и условиях записи.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

1

Common-Voice-Gender-Detection

Common-Voice-Gender-Detection is a fine-tuned version of facebook/wav2vec2-base-960h for binary audio classification, specifically trained to detect speaker gender as female or male. This model leverages the Wav2Vec2ForSequenceClassification architecture for efficient and accurate voice-based gender classification.

[!note] Wav2Vec2: Self-Supervised Learning for Speech Recognition : https://arxiv.org/pdf/2006.11477

Classification Report:

              precision    recall  f1-score   support

      female     0.9705    0.9916    0.9809      2622
        male     0.9943    0.9799    0.9870      3923

    accuracy                         0.9846      6545
   macro avg     0.9824    0.9857    0.9840      6545
weighted avg     0.9848    0.9846    0.9846      6545

download.png

download (1).png


Label Space: 2 Classes

Class 0: female  
Class 1: male

Install Dependencies

pip install gradio transformers torch librosa hf_xet

Inference Code

import gradio as gr
from transformers import Wav2Vec2ForSequenceClassification, Wav2Vec2FeatureExtractor
import torch
import librosa

# Load model and processor
model_name = "prithivMLmods/Common-Voice-Geneder-Detection"
model = Wav2Vec2ForSequenceClassification.from_pretrained(model_name)
processor = Wav2Vec2FeatureExtractor.from_pretrained(model_name)

# Label mapping
id2label = {
    "0": "female",
    "1": "male"
}

def classify_audio(audio_path):
    # Load and resample audio to 16kHz
    speech, sample_rate = librosa.load(audio_path, sr=16000)

    # Process audio
    inputs = processor(
        speech,
        sampling_rate=sample_rate,
        return_tensors="pt",
        padding=True
    )

    with torch.no_grad():
        outputs = model(**inputs)
        logits = outputs.logits
        probs = torch.nn.functional.softmax(logits, dim=1).squeeze().tolist()

    prediction = {
        id2label[str(i)]: round(probs[i], 3) for i in range(len(probs))
    }

    return prediction

# Gradio Interface
iface = gr.Interface(
    fn=classify_audio,
    inputs=gr.Audio(type="filepath", label="Upload Audio (WAV, MP3, etc.)"),
    outputs=gr.Label(num_top_classes=2, label="Gender Classification"),
    title="Common Voice Gender Detection",
    description="Upload an audio clip to classify the speaker's gender as female or male."
)

if __name__ == "__main__":
    iface.launch()

Demo Inference

[!note] male

Screenshot 2025-05-31 at 20-19-39 Common Voice Gender Detection.png

[!note] female

Screenshot 2025-05-31 at 20-21-57 Common Voice Gender Detection.png


Intended Use

Common-Voice-Gender-Detection is designed for:

  • Speech Analytics – Assist in analyzing speaker demographics in call centers or customer service recordings.
  • Conversational AI Personalization – Adjust tone or dialogue based on gender detection for more personalized voice assistants.
  • Voice Dataset Curation – Automatically tag or filter voice datasets by speaker gender for better dataset management.
  • Research Applications – Enable linguistic and acoustic research involving gender-specific speech patterns.
  • Multimedia Content Tagging – Automate metadata generation for gender identification in podcasts, interviews, or video content.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Нельзя запустить

Для архитектуры wav2vec2 нет загрузчика под задачу text-classification.

Класс архитектуры
Wav2Vec2ForSequenceClassification
Ревизия весов
ebbf412

0 моделей