/ Модель

Характеристики

Лицензия
OpenRAIL
Базовая модель
whisper-large-v3
Библиотека
transformers
Опубликована
3 сен 2026

childvox-circor-whisper-large

Классификация аудиоАудио → label3 профессии

Дообученная на CirCor модель Whisper классифицирует записи сердечных тонов на наличие шума, его отсутствие или неопределённый результат.

32скачиваний за 30 дней1лайквеса обновлены3 сен 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

Модель tiantiaf/childvox-circor-whisper-large разработана Tiantian Feng и предназначена для классификации шумов сердца по фонокардиограммам. Она дообучена на базе мультиязычной openai/whisper-large-v3 на наборе CirCor с записями аускультации у 1568 человек в возрасте от 0 до 21 года. Модель принимает аудио и относит запись к одному из классов: шум отсутствует, присутствует или результат неизвестен.

Модель может использоваться для исследовательского анализа детских физиологических звуков и экспериментов по классификации сердечных шумов. Она не предназначена для клинической диагностики, индивидуальной оценки без проверки специалистом, наблюдения или коммерческого применения. Записи детей и физиологические данные чувствительны: при работе с ними необходимо учитывать приватность, согласие и требования этических комиссий и законодательства. Лицензия — OpenRAIL; README отдельно запрещает коммерческое использование.

Сценарии применения

  • классификация детских фонокардиограмм по наличию сердечного шума
  • исследовательский анализ записей аускультации
  • сравнение методов классификации физиологических аудиосигналов

Ограничения

Модель не предназначена для диагностики, индивидуальной оценки без экспертной проверки, наблюдения или коммерческого применения. README указывает на чувствительность детских физиологических данных и необходимость учитывать приватность, согласие, этические требования и законодательство.

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-Large for CirCor Murmur Classification

Model Description

This model includes the implementation of heart murmur 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 CirCor dataset, which consists of large-scale heart sound recordings collected from the main four auscultation locations of 1568 subjects, aged between 0 and 21 years.

The included labels are:

[
  "Absent",
  "Unknown",
  "Present"
]

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-circor-whisper-large", fold_idx=1).to(device)
model.eval()

Prediction

# Label List
label_list = [
  "Absent",
  "Unknown",
  "Present"
]

# Load data, here just zeros as the example
# The child physiological segments used in training, which we cap the input at 10 seconds
# You need to prepare your audio to a length of 10 seconds, 16kHz and mono channel (we upsample the 8kHz digiscope recordings to 16kHz)
max_audio_length = 10 * 16000
data = torch.zeros([1, 160000]).float().to(device)[:, :max_audio_length]
logits, embeddings = model(data, return_feature=True)

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

Responsible Use: Child speech or physiological sounds 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}
}

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
c6682a1

0 моделей