Характеристики

Базовая модель: w2v-bert-waxal
Библиотека: transformers
Опубликована: 10 июл 2026

Ссылки

Hugging Face

waxal-lid

sulaimank

Классификация аудиоАудио → label

Дообученная Wav2Vec2-BERT-модель для классификации аудио по меткам.

0скачиваний за 30 дней0лайковвеса обновлены10 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

waxal-lid — дообученная модель sulaimank/w2v-bert-waxal на базе Wav2Vec2-BERT, подготовленная для классификации аудио. По метаданным Hugging Face она принимает аудио и относится к задаче audio-classification; карточка сообщает метрики на наборе оценки: loss 0,0535 и accuracy 0,9917.

Модель можно использовать для классификации аудиозаписей в сценариях, где требуется предсказывать метку по звуковому сигналу. Назначение меток, языки, размер модели и ограничения в карточке не раскрыты. Модель опубликована в формате safetensors для библиотеки Transformers; лицензия не указана в предоставленных данных.

Сценарии применения

классификация аудиозаписей по меткам
распознавание класса или категории звукового сигнала
оценка аудио в задаче классификации

Ограничения

Назначение классов, языки и характеристики оценки не описаны, поэтому точность вне указанного evaluation set неизвестна. Лицензия в предоставленных данных не указана.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

waxal-lid

This model is a fine-tuned version of sulaimank/w2v-bert-waxal on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.0535
Acc: 0.9917

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 1e-05
train_batch_size: 16
eval_batch_size: 16
seed: 42
gradient_accumulation_steps: 2
total_train_batch_size: 32
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 0.1
num_epochs: 2

Training results

Training Loss	Epoch	Step	Validation Loss	Acc
1.1406	0.2667	100	0.4611	0.99
0.3675	0.5333	200	0.1759	0.99
0.1697	0.8	300	0.0989	0.9917
0.1199	1.0667	400	0.0739	0.9917
0.1036	1.3333	500	0.0632	0.9917
0.1042	1.6	600	0.0548	0.99
0.0707	1.8667	700	0.0535	0.9917
0.0593	2.0	750	0.0535	0.9917

Framework versions

Transformers 5.13.0
Pytorch 2.12.1+cu130
Datasets 3.6.0
Tokenizers 0.22.2

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · audio-classification

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов: a4f2294