/ Модель

Характеристики

Лицензия
Своя лицензия
Архитектура
utmosv2 · dense
Библиотека
transformers
Опубликована
28 июл 2026

utmosv2-torch-native

Классификация аудиоАудио → label3 профессии

Порт UTMOS v2 оценивает качество аудиозаписей речи и возвращает числовую оценку.

586скачиваний за 30 дней1лайквеса обновлены28 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

UTMOS v2 — перенос официальной модели оценки качества речи `fusion_stage3`, fold 0, в формат для использования с PyTorch, torchaudio и Transformers. Репозиторий `prj-beatrice` адаптировал модель для загрузки через `AutoModel` и вычисления оценки по аудиоволновой форме; модель принимает аудио и возвращает числовой score. Она предназначена для автоматической оценки воспринимаемого качества синтезированной или записанной речи, в том числе при сравнении аудиосистем и анализе речевых данных. Доступны обработка батчей с длинами аудио и настройка калибровки по домену данных; по умолчанию используется `sarulab`, а удаление тихих участков можно отключить.

Модель относится к семейству UTMOS v2 и использует архитектуру dense. Порт может давать результаты, отличающиеся от официальной реализации из-за другого генератора случайных чисел при выборе аудиофрагментов и mixup. Лицензия указана как `other`, без дополнительных условий в предоставленных данных.

Сценарии применения

  • автоматическая оценка качества синтезированной речи
  • сравнение качества речи разных TTS-систем
  • оценка речевых аудиозаписей в пакетной обработке

Ограничения

Результаты могут отличаться от официальной реализации из-за другого генератора случайных чисел при выборе фрагментов и mixup. Условия лицензии `other` в предоставленных данных не раскрыты.

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

UTMOS v2

The official UTMOS v2 fusion_stage3 fold-0 model, adapted to use with only torch, torchaudio, and transformers.

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/utmosv2-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)

This is the corresponding code from the official README:

import utmosv2

reference_model = utmosv2.create_model(pretrained=True)
reference = reference_model.predict(data=wav.unsqueeze(0), sr=sr)[0]
print(reference)

Results may differ because this port uses a different random-number generator for crop sampling and Beta mixup.

Padded batches use a waveform tensor [batch_size, max_length] and an input_lengths tensor [batch_size]. data_domain (default "sarulab") selects the dataset calibration. Pass remove_silent_section=False to disable UTMOS v2's silence-removal option.

License

UTMOS v2 and the wrapper are MIT-licensed; Wav2Vec2 and EfficientNetV2-S components are Apache-2.0. 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
dc6da71

0 моделей