/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-base
Библиотека
transformers
Опубликована
3 авг 2026

uzbek-gender-wav2vec2

Классификация текстаТекст → label3 профессии

Дообученная wav2vec 2.0 модель для классификации акустических характеристик узбекского голоса по двум бинарным меткам.

25скачиваний за 30 дней0лайковвеса обновлены3 авг 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

rado-tech/uzbek-gender-wav2vec2 — модель rado-tech для бинарной классификации акустических характеристик узбекской речи по голосу говорящего. Она дообучена на facebook/wav2vec2-base и использует Wav2Vec2ForSequenceClassification с двумя метками: Ayol (женский голос) и Erkak (мужской голос). Модель принимает аудиоволну длительностью 2 секунды с частотой 16 кГц и выдаёт оценки двух классов. Размер по метаданным — 113,3 млн параметров; библиотека — Transformers.

Модель предназначена для исследовательского анализа узбекской речи. Для длинных записей README рекомендует разбивать аудио на перекрывающиеся двухсекундные окна, исключать тишину и усреднять вероятности. На отложенном тестовом наборе из 3 049 фрагментов заявлена точность 98,75%; результаты относятся к данным и условиям этой оценки.

Модель обучена только на узбекской речи, а её точность на других языках не проверялась. Обучающие метки бинарны и не отражают всего разнообразия гендерной идентичности; значительная часть обучающих говорящих — в возрасте 18–24 лет. Модель не рассчитана на потоковую работу в реальном времени, студийные записи и аудио с сильным фоновым шумом. README предостерегает от использования её результатов для решений об отдельных людях. Лицензия — Apache 2.0.

Сценарии применения

  • исследовательская классификация голоса в узбекских аудиозаписях
  • анализ распределения голосовых классов в коллекции узбекской речи
  • сравнение классификации голосов wav2vec 2.0 и компактной CNN-модели
  • оценка классов голоса по двухсекундным аудиофрагментам

Ограничения

Обучена только на узбекской речи; точность на других языках не проверялась. Бинарные метки, возрастное смещение обучающего набора, задержка на CPU и чувствительность к условиям записи ограничивают применение; модель не предназначена для решений об отдельных людях.

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

Uzbek Speaker Gender Recognition (wav2vec2-base)

facebook/wav2vec2-base fine-tuned to predict speaker gender from Uzbek speech. 94.6M parameters, 361 MB.

This is the accuracy-first variant. For real-time or resource-constrained use see rado-tech/uzbek-gender-cnn, which is 126× faster and 1480× smaller at a 0.65-point accuracy cost.

Model details

  • Base model: facebook/wav2vec2-base
  • Head: Wav2Vec2ForSequenceClassification, 2 labels
  • Frozen: the convolutional feature encoder (4.2M parameters). It encodes low-level acoustics that transfer unchanged, and freezing it cuts ~30% of step time.
  • Trainable: 90.4M parameters
  • Input: raw waveform, 2 seconds at 16 kHz (32,000 samples)
  • Output: two logits; index 0 = Ayol (female), 1 = Erkak (male)
  • License: Apache 2.0

Training

SettingValue
Epochs3
Batch size16
Learning rate3e-5 backbone / 1e-3 classifier head
Schedulelinear with 10% warmup
Weight decay0.01
Precisionmixed (fp16)
Hardwareone NVIDIA T4, ~15 minutes

Discriminative learning rates matter here: a single large rate destroys the pretrained representations, while a single small rate leaves the randomly initialised head undertrained.

EpochTrain loss / accVal loss / acc
10.0709 / 0.97950.0301 / 0.9920
20.0206 / 0.99530.0187 / 0.9963
30.0130 / 0.99720.0200 / 0.9967

Validation accuracy after a single epoch already exceeded what a comparable from-scratch CNN reached in fifteen.

Evaluation

Held-out test split: 3,049 clips from 364 speakers, disjoint from training and validation.

Metricwav2vec2CNN baseline
Accuracy98.75%98.10%
Errors3858
Precision (male)0.99930.9940
Recall (male)0.97590.9681
Recall (female)0.99930.9940
F10.98750.9809
CPU latency (2 s audio)504 ms4 ms

McNemar's test against the CNN: χ² = 16.41 (critical 3.841), so the difference is statistically significant. Notably the two models disagree asymmetrically — wav2vec2 was right where the CNN was wrong 21 times, the reverse happened once.

37 of the 38 errors are shared with the CNN, and 34 of those trace to five contributor accounts with demonstrably wrong labels — one contains recordings from two different people. Excluding two such accounts the model scores 99.73%, though the reportable figure remains 98.75%.

Usage

import torch
from transformers import Wav2Vec2FeatureExtractor, Wav2Vec2ForSequenceClassification

repo = "rado-tech/uzbek-gender-wav2vec2"
extractor = Wav2Vec2FeatureExtractor.from_pretrained(repo)
model = Wav2Vec2ForSequenceClassification.from_pretrained(repo).eval()

# waveform: mono float32 at 16 kHz, ideally a 2-second window
inputs = extractor([waveform], sampling_rate=16_000, return_tensors="pt")
with torch.no_grad():
    probs = torch.softmax(model(**inputs).logits, dim=1)

labels = ["Ayol", "Erkak"]   # female, male
print(labels[probs.argmax(1).item()], probs.max().item())

For longer recordings, split into overlapping 2-second windows, drop silent ones, and average the probabilities — the reference implementation is in the project repository.

Intended use

Research and exploratory analysis of Uzbek speech.

Out of scope. Do not use this model to make decisions about individuals — access control, identity verification, profiling, or content moderation. It predicts an acoustic correlate of vocal tract physiology, not a person's gender identity.

Limitations and biases

  • Language. Trained only on Uzbek; accuracy elsewhere is unverified.
  • Binary labels. The source dataset labels gender as binary, so the model does too. This reflects the data, not the range of human gender identity.
  • Age distribution. About 75% of training speakers are 18–24.
  • Latency. 504 ms per 2-second window on CPU makes this unsuitable for real-time streaming; use the CNN variant for that.
  • Recording conditions. Crowdsourced phone and laptop audio. Studio recordings and heavy background noise are out of distribution.

Training data

DavronSherbaev/uzbekvoice-filtered, Apache 2.0. A 30,000-clip subset (34.8 hours) from 3,505 speakers, filtered on community quality signals, capped at 40 clips per speaker, and split so no speaker appears in more than one partition.

Citation

@software{uzbek_gender_wav2vec2,
  title   = {Uzbek Speaker Gender Recognition (wav2vec2)},
  year    = {2026},
  note    = {facebook/wav2vec2-base fine-tuned on uzbekvoice-filtered},
  license = {Apache-2.0}
}

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
53a80af

0 моделей