/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-base-960h
Библиотека
transformers
Опубликована
2 сен 2026

Common-Voice-Gender-Detection-IND-En

Классификация текстаТекст → label5 профессий

Модель на базе Wav2Vec2 классифицирует английскую речь с индийским акцентом по двум меткам голоса: female и male.

214скачиваний за 30 дней1лайквеса обновлены2 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

Common-Voice-Gender-Detection-IND-En — дообученная модель на базе facebook/wav2vec2-base-960h, разработанная для бинарной классификации английской речи с целью определить, к какому из двух классов — female или male — отнести голос. Она использует архитектуру Wav2Vec2ForSequenceClassification и содержит 113,3 млн параметров. Модель рассчитана на речь на английском языке с индийским акцентом.

Модель принимает аудио и выдаёт метку класса. В README приведены результаты на тестовой выборке: точность 99,46%, однако эти показатели не гарантируют такое же качество на других наборах данных и акцентах. Возможные сценарии применения — аналитика записей звонков, разметка аудиоколлекций и исследование акустических особенностей речи. Лицензия — Apache-2.0.

Сценарии применения

  • классификация голоса в записях телефонных звонков
  • автоматическая разметка аудиоколлекций по меткам female и male
  • фильтрация речевых датасетов по метке голоса
  • анализ подкастов и интервью по меткам голоса
  • исследование акустических особенностей английской речи с индийским акцентом

Ограничения

Модель относит голос только к двум меткам — female и male; приведённые в README показатели качества могут не переноситься на другие акценты и аудиоданные.

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-IND-En | India (English)

Common-Voice-Gender-Detection-IND-En is a fine-tuned version of facebook/wav2vec2-base-960h for binary audio classification, specifically trained on English (IND-En) speech 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     0.9986    0.9913    0.9950      3579
        Male     0.9900    0.9984    0.9942      3077

    accuracy                         0.9946      6656
   macro avg     0.9943    0.9949    0.9946      6656
weighted avg     0.9946    0.9946    0.9946      6656

download-1 download-2


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-Gender-Detection-IND-En"
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 - IND-En",
    description="Upload an English (IND-En) speech clip to classify the speaker's gender as female or male."
)

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

Demo Inference

Gender

Screenshot 2026-09-02 120946

Gender

gradio.live


Intended Use

Common-Voice-Gender-Detection-IND-En 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
e2f824e

0 моделей