/ Модель

Характеристики

Лицензия
OpenRAIL
Базовая модель
BabyHuBERT
Библиотека
transformers
Опубликована
2 сен 2026

childvox-ReCANVo-babyhubert

Классификация аудиоАудио → label3 профессии

Модель на основе BabyHuBERT классифицирует детские вокализации по шести категориям, включая просьбы, социальные сигналы и эмоциональные состояния.

36скачиваний за 30 дней1лайквеса обновлены2 окт 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

ChildVox-ReCANVo-BabyHuBERT — модель классификации детских вокализаций, представленная Tiantian Feng. Она дообучена на корпусе ReCANVo и реализует классификацию, описанную в работе ChildVox, принятой на EMNLP 2026. Модель принимает аудио и относит вокализации к шести категориям: delighted, dysregulated, frustrated, request, self-talk и social.

Модель предназначена для исследовательского анализа детской речи и вокализаций, включая изучение эмоциональных и коммуникативных категорий. Она основана на MarvinLvn/BabyHuBERT, использует библиотеку Transformers и распространяется в формате safetensors. Карточка характеризует данные как многоязычные; точные языки и размер модели не приведены.

Лицензия OpenRAIL запрещает коммерческое использование согласно карточке модели. Разработчик также исключает клиническую диагностику, индивидуальную оценку развития без экспертной проверки, наблюдение и вмешательство в частную жизнь. Работа с детскими записями требует согласия, соблюдения законодательства и соответствующего этического одобрения.

Сценарии применения

  • классификация детских вокализаций по эмоциональным категориям
  • выявление просьб и социальных сигналов в детской речи
  • анализ самонаправленной речи детей
  • исследование вокализаций детей на корпусе ReCANVo

Ограничения

Модель не предназначена для клинической диагностики, индивидуальной оценки развития без экспертной проверки, наблюдения или приватного надзора; коммерческое использование запрещено. Детские аудиозаписи требуют согласия и соблюдения этических и правовых норм.

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

BabyHuBERT for Child Vocalization Classification (ReCANVo Dataset)

Model Description

This model includes the implementation of child speech vocalization classification described in ChildVox: A Speech, Audio, and Large Audio-Language Model Benchmark in Understanding and Characterizing Sound across Childhood (Accepted to EMNLP 2026 Main)

Github repository: https://github.com/tiantiaf0627/childvox-release

The model is fine-tuned on the ReCANVo dataset, a large-scale corpus of child vocalizations (including young adults too).

The included child vocalization categories are:

[
  "delighted",
  "dysregulated",
  "frustrated",
  "request",
  "self-talk",
  "social",
]

How to use this model

Download repo

git clone git@github.com:tiantiaf0627/childvox-release

Install the package

conda create -n childvox python=3.10
cd childvox
pip install -e .

Load the model

# Load libraries
import torch
import torch.nn.functional as F
from src.model.childvox.babyhubert_audio import BabyHuBERTWrapper

# Find device
device = torch.device("cuda") if torch.cuda.is_available() else "cpu"

# Load model from Huggingface
# We provide model with different folds, and specify the fold from 1, 2, 3, 4, 5
model = BabyHuBERTWrapper.from_pretrained("tiantiaf/childvox-ReCANVo-babyhubert", fold_idx=1).to(device)
model.eval()

Prediction

# Label List
label_list = [
  "delighted",
  "dysregulated",
  "frustrated",
  "request",
  "self-talk",
  "social",
]

# Load data, here just zeros as the example
# The child vocalization segments used in training are short, so we cap the input at 5 seconds
# You need to prepare your audio to a length of 5 seconds, 16kHz and mono channel
max_audio_length = 5 * 16000
data = torch.zeros([1, 160000]).float().to(device)[:, :max_audio_length]
logits, embeddings = model(data, return_feature=True)

# Probability and output
maturity_prob = F.softmax(logits, dim=1)
print(label_list[torch.argmax(maturity_prob).detach().cpu().item()])

Responsible Use: Child speech data is highly sensitive. Users should respect the privacy and consent of the children and families whose recordings are processed, obtain approval from the appropriate ethics/IRB body, and adhere to the relevant laws and regulations in their jurisdictions when using ChildVox.

If you have any questions, please contact: Tiantian Feng (tiantiaf@usc.edu)

❌ Out-of-Scope Use

  • Clinical or diagnostic applications (e.g., screening for developmental or language disorders)
  • Individual-level developmental assessment without expert human review
  • Surveillance
  • Privacy-invasive applications
  • No commercial use

If you like our work or use the models in your work, kindly cite the following. We appreciate your recognition!

@article{feng2026childvox,
  title={ChildVox: A Speech, Audio, and Large Audio-Language Model Benchmark in Understanding and Characterizing Sound across Childhood},
  author={Feng, Tiantian and Xu, Anfeng and Shi, Xuan and Kommineni, Aditya and Siam, Shakhrul Iman and Micheletti, Megan and Shi, Zhonghao and Tager-Flusberg, Helen and Zhang, Mi and Perry, Lynn K and others},
  journal={arXiv preprint arXiv:2605.29257},
  year={2026}
}

Please also cite the following dataset if you use this model:

@article{johnson2023recanvo,
  title={ReCANVo: A database of real-world communicative and affective nonverbal vocalizations},
  author={Johnson, Kristina T and Narain, Jaya and Quatieri, Thomas and Maes, Pattie and Picard, Rosalind W},
  journal={Scientific Data},
  volume={10},
  number={1},
  pages={523},
  year={2023},
  publisher={Nature Publishing Group UK London}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · audio-classification

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
54ae44a

0 моделей