/ Модель

Характеристики

Лицензия
MIT
Архитектура
utmos22 · dense
Библиотека
transformers
Опубликована
28 июл 2026

utmos22-torch-native

Классификация аудиоАудио → label3 профессии

UTMOS22 оценивает качество речи по аудиосигналу и возвращает числовой балл.

1 434скачиваний за 30 дней1лайквеса обновлены30 июл 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

UTMOS22 strong learner — модель для оценки качества речи по аудиозаписи, опубликованная пользователем prj-beatrice. Это перенос реализации SpeechMOS с использованием PyTorch, torchaudio и Transformers; модель возвращает числовую оценку для переданного аудио. Репозиторий содержит веса в формате safetensors, а для пакетной обработки предусмотрена подача дополненных до общей длины волн и их фактических длин.

Модель предназначена для автоматической оценки качества синтезированной или записанной речи в задачах анализа и сравнения аудиоматериалов. Она принимает аудиосигнал и выдаёт оценку качества; сведения о конкретном наборе поддерживаемых языков и аудиоформатов в карточке не приведены. Лицензия — MIT.

Сценарии применения

  • оценка естественности синтезированной речи
  • сравнение качества аудиозаписей речи
  • автоматический контроль качества речевого синтеза
  • отбор аудиозаписей по оценке качества

Ограничения

Карточка не сообщает, на каких языках и типах речевых данных модель проверена, поэтому качество для конкретного языка или аудиосценария не установлено.

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

UTMOS22 strong learner

The UTMOS22 strong learner, ported to use only torch, torchaudio, and transformers, with reference to the SpeechMOS implementation.

import soundfile as sf
import torch
from transformers import AutoModel

device = "cuda" if torch.cuda.is_available() else "cpu"
wav, sr = sf.read("audio.wav", dtype="float32")
wav = torch.from_numpy(wav)
model = AutoModel.from_pretrained(
    "prj-beatrice/utmos22-torch-native", trust_remote_code=True
).eval().to(device)

with torch.inference_mode():
    score = model(wav.to(device), sampling_rate=sr).scores[0]
print(score)

The result matches this code:

reference_model = torch.hub.load(
    "tarepan/SpeechMOS:v1.2.0", "utmos22_strong", trust_repo=True
)
reference = reference_model(wav.unsqueeze(0), sr)[0]
torch.testing.assert_close(score.cpu(), reference)

Padded batches use a waveform tensor [batch_size, max_length] and an input_lengths tensor [batch_size].

License

The model and wrapper are MIT-licensed; see LICENSE.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · audio-classification

Нельзя запустить

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

Ревизия весов
eecd3e6

0 моделей