/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Архитектура
audioseg · dense
Библиотека
transformers
Опубликована
19 апр 2026

audioseg

Классификация аудиоАудио → label4 профессии

AudioSeg определяет тематические границы в аудио с шагом 6 секунд, помогая автоматически создавать главы для подкастов, лекций и видео.

224скачиваний за 30 дней0лайковвеса обновлены20 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

AudioSeg — модель для автоматического определения тематических границ непосредственно по аудио. Она принимает подкаст, лекцию или видео и выдаёт вероятность границы темы для каждого 6-секундного интервала, которую можно порогово преобразовать в отметки глав. Модель представлена авторами исследования «Beyond Transcripts: A Renewed Perspective on Audio Chaptering».

Архитектура использует замороженный аудиоэнкодер Whisper large-v3 для последовательных 30-секундных фрагментов и обученную голову примерно на 32 млн параметров. Голова объединяет признаки в представления 6-секундных сегментов, затем оценивает вероятность границы для каждого сегмента. Обучение проводилось на YTSeg с человеческими отметками глав из видео YouTube; энкодер Whisper оставался замороженным.

Модель подходит для автоматического создания глав и тематического сегментирования длинных аудиозаписей. Для работы требуются Transformers, PyTorch, torchaudio и загрузка энкодера openai/whisper-large-v3 при первом использовании. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Сценарии применения

  • создание глав для подкастов по аудиодорожке
  • разметка тематических разделов в лекциях
  • автоматическое определение глав в видео YouTube
  • разбиение длинной записи на тематические фрагменты

Ограничения

Оценки границ выдаются на 6-секундной сетке, поэтому точность их временного положения ограничена этим шагом. Для инференса необходим внешний энкодер openai/whisper-large-v3; лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Для каких профессий подходит4

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

AudioSeg

AudioSeg predicts topic boundaries directly from audio, on a 6-second grid, and was introduced in our paper Beyond Transcripts: A Renewed Perspective on Audio Chaptering (acl | arXiv). Given an audio file (e.g. a podcast, lecture, or YouTube video), the model outputs a boundary probability for every 6-second segment, which can be thresholded into chapter/topic boundaries.

Architecture

  • Encoder (frozen): openai/whisper-large-v3 encoder, applied to consecutive 30-second chunks of the audio.
  • Head (trained, ~32M params):
    • a local segment transformer that pools encoder frames into one embedding per 6-second segment via a learned [SEG] token
    • a document encoder over the segment sequence producing per-segment boundary probabilities

Only the head weights are stored in this repository; the Whisper encoder is downloaded from openai/whisper-large-v3 on first use.

Usage

pip install transformers torch torchaudio
from transformers import AutoModel

model = AutoModel.from_pretrained("retkowski/audioseg", trust_remote_code=True)
model = model.to("cuda")

result = model.segment("episode.mp3")

result["ts_boundaries"]     # boundary timestamps in seconds, e.g. [315.0, 747.0, ...]
result["probs"]             # boundary probability per 6s segment
result["segment_size_sec"]  # 6.0

segment() also accepts a waveform tensor (model.segment(waveform, sample_rate=sr)), a custom decision threshold (default 0.5), and batch_chunks to control how many 30-second chunks are encoded per Whisper batch.

A reported timestamp t is the midpoint of the 6-second segment in which a topic change was detected, i.e. the change lies within [t - 3, t + 3) seconds. The start of the audio is not considered a boundary, so the first segment is never reported.

Training

The model was trained on YTSeg, YouTube videos with human-created chapter markers, using the chapter start times as boundary supervision (binary cross-entropy on the 6-second grid). The Whisper encoder was kept frozen.

Citing

We kindly request you to cite our corresponding paper if you use our model:

@inproceedings{retkowski-etal-2026-beyond,
    title = "Beyond Transcripts: A Renewed Perspective on Audio Chaptering",
    author = {Retkowski, Fabian  and
      Z{\"u}fle, Maike  and
      Nguyen, Thai Binh  and
      Niehues, Jan  and
      Waibel, Alexander},
    editor = "Liakata, Maria  and
      Moreira, Viviane P.  and
      Zhang, Jiajun  and
      Jurgens, David",
    booktitle = "Proceedings of the 64th Annual Meeting of the {A}ssociation for {C}omputational {L}inguistics (Volume 1: Long Papers)",
    month = jul,
    year = "2026",
    address = "San Diego, California, United States",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2026.acl-long.396/",
    doi = "10.18653/v1/2026.acl-long.396",
    pages = "8765--8787",
    ISBN = "979-8-89176-390-6",
    abstract = "Audio chaptering, the task of automatically segmenting long-form audio into coherent sections, is increasingly important for navigating podcasts, lectures, and videos. Despite its relevance, research remains limited and text-based, leaving key questions unresolved about leveraging audio information, handling ASR errors, and transcript-free evaluation. We address these gaps through three contributions: (1) a systematic comparison between text-based models with acoustic features, a novel audio-only architecture (AudioSeg) operating on learned audio representations, and multimodal LLMs; (2) empirical analysis of factors affecting performance, including transcript quality, acoustic features, duration, and speaker composition; and (3) formalized evaluation protocols contrasting transcript-dependent text-space protocols with transcript-invariant time-space protocols. Our experiments on YTSeg reveal that AudioSeg substantially outperforms text-based approaches, pauses provide the largest acoustic gains, and current MLLMs struggle due to context limitations and weak instruction following."
}

License

CC-BY-NC-4.0 (non-commercial use).

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.

Класс архитектуры
AudioSegModel
Ревизия весов
3a396f8

0 моделей