/ Модель
Каталог

Характеристики

Опубликована
1 июл 2026

Ссылки

Hugging Face

crnn-vad

sujalgawas
Поиск речи в аудиоАудио → label

Компактная CRNN-модель на PyTorch определяет в аудиосигнале участки речи и шума для предварительной сегментации звука.

0скачиваний за 30 дней0лайковвеса обновлены4 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

sujalgawas/crnn-vad — модель бинарного обнаружения речевой активности (VAD), обученная на Google Speech Commands. Она классифицирует аудиосигнал по временным участкам как речь или шум. Архитектура сочетает сверточный фронтенд с остаточными блоками и пулингом только по частотной оси с двунаправленной GRU для моделирования временной последовательности. Модель реализована на PyTorch; веса загружаются как state dict и могут выполняться на CPU.

Модель подходит для предварительного определения участков речи в аудио перед распознаванием или для отделения речи от тишины и фонового шума. Карточка не сообщает размер модели, языковой охват или лицензию, поэтому эти характеристики нельзя уточнить. Обучение на Google Speech Commands может ограничивать переносимость на другие акустические условия и типы шума.

Сценарии применения

  • обнаружение речи в аудиозаписи
  • отделение речевых фрагментов от шума
  • предварительная сегментация аудио перед распознаванием речи

Ограничения

Обучение проводилось на Google Speech Commands, поэтому качество на иных акустических условиях и типах шума может отличаться. Размер модели, поддерживаемые языки и лицензия в доступных данных не приведены.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CRNN VAD Model

Binary voice activity detection model (SPEECH vs NOISE) trained on Google Speech Commands.

Architecture

  • CNN frontend with residual blocks (freq-only pooling to preserve time axis)
  • Bidirectional GRU backend for temporal modelling
  • Trained with CrossEntropyLoss + label smoothing

Labels

  • 0 → NOISE
  • 1 → SPEECH

Usage

from huggingface_hub import hf_hub_download
import torch

# Load state dict
weights_path = hf_hub_download(repo_id="sujalgawas/crnn-vad", filename="vad_state_dict.pt")
model = CRNN_VAD()
model.load_state_dict(torch.load(weights_path, map_location="cpu"))
model.eval()

# Or load full Lightning checkpoint
ckpt_path = hf_hub_download(repo_id="sujalgawas/crnn-vad", filename="crnn_vad.ckpt")
model = CRNN_VAD.load_from_checkpoint(ckpt_path)
model.eval()

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Задача «voice-activity-detection» пока не поддерживается рантаймом.

Ревизия весов
c26fe28

0 моделей

    Создать бенчмарк