/ Модель

Характеристики

Лицензия
OpenRAIL
Базовая модель
whisper-base
Библиотека
transformers
Опубликована
2 сен 2026

childvox-ReCANVo-whisper-base

Классификация аудиоАудио → label3 профессии

Модель на базе Whisper Base классифицирует детские вокализации по шести категориям, включая просьбы, социальную речь и эмоциональные состояния.

42скачиваний 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

tiantiaf/childvox-ReCANVo-whisper-base — модель классификации детских вокализаций, разработанная для бенчмарка ChildVox и дообученная Tiantian Feng на наборе данных ReCANVo поверх openai/whisper-base. Она принимает аудио и относит вокализации к шести категориям: delighted, dysregulated, frustrated, request, self-talk и social. Модель рассчитана на анализ детской речи и вокализаций, включая записи молодых взрослых; базовая архитектура — Whisper Base, библиотека — Transformers.

Модель может применяться для исследовательской классификации аудиозаписей по типу вокализации. Репозиторий распространяется по лицензии OpenRAIL, а карточка запрещает коммерческое использование. Детские аудиозаписи требуют строгого соблюдения приватности, согласия семей, этического одобрения и применимых законов. Модель не предназначена для клинической диагностики, индивидуальной оценки развития без экспертной проверки, слежки или вторжения в частную жизнь.

Сценарии применения

  • классификация детских вокализаций по типу
  • поиск просьб в аудиозаписях детской речи
  • разметка социального взаимодействия в детском аудио
  • выделение самообращённой речи в записях
  • исследовательский анализ эмоциональных вокализаций детей

Ограничения

Не предназначена для клинической диагностики, индивидуальной оценки развития без экспертной проверки, слежки или вторжения в частную жизнь; коммерческое использование запрещено. Обработка записей детей требует согласия и соблюдения этических и правовых требований.

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

Whisper-Base 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.whisper_audio import WhisperWrapper

# 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 = WhisperWrapper.from_pretrained("tiantiaf/childvox-ReCANVo-whisper-base", 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
d33398d

0 моделей