/ Модель

Характеристики

Лицензия
OpenRAIL
Базовая модель
whisper-large-v3
Библиотека
transformers
Опубликована
2 авг 2025

voxlect-english-dialect-whisper-large-v3

Классификация аудиоАудио → label3 профессии

Модель на базе Whisper large-v3 классифицирует английскую речь по региональным и диалектным категориям.

387скачиваний за 30 дней2лайкавеса обновлены10 авг 2025

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

Voxlect English Dialect Whisper Large v3 — модель классификации английских диалектов на основе Whisper large-v3, дообученная Tiantian Feng. Она анализирует аудио речи и относит его к одной из 16 категорий, включая региональные группы East Asia, North America, Irish, Scottish, Welsh, South African и другие. Модель предназначена для анализа диалектных различий и исследовательской работы с речью; в README указано, что обучение дополнено данными TIMIT и ParaSpeechCaps.

Модель принимает аудио и выдаёт метку класса диалекта. Она не предназначена для клинической диагностики, наблюдения или вторжения в частную жизнь. README запрещает коммерческое использование и требует соблюдать конфиденциальность, получать согласие субъектов данных и учитывать применимые законы. Лицензия в метаданных указана как OpenRAIL.

Сценарии применения

  • классификация английской речи по диалектным группам
  • анализ региональных различий в английской речи
  • разметка аудиозаписей для исследований диалектов
  • сравнение диалектных категорий в речевых корпусах

Ограничения

Модель охватывает заданные категории английских диалектов; README исключает клиническую диагностику, наблюдение, вторжение в частную жизнь и коммерческое использование.

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 v3 for English Dialect Classification

Model Description

This model includes the implementation of English dialect classification described in Voxlect: A Speech Foundation Model Benchmark for Modeling Dialect and Regional Languages Around the Globe

Github repository: https://github.com/tiantiaf0627/voxlect

The included English dialects are:

[
  'East Asia',
  'English',
  'Germanic',
  'Irish', 
  'North America',
  'Northern Irish',
  'Oceania',
  'Other',
  'Romance',
  'Scottish',
  'Semitic',
  'Slavic',
  'South African',
  'Southeast Asia',
  'South Asia',
  'Welsh'
]

Compared to Vox-Profile English accent/dialect models, we trained with additional speech data from TIMIT and ParaSpeechCaps.

How to use this model

Download repo

git clone git@github.com:tiantiaf0627/voxlect

Install the package

conda create -n voxlect python=3.8
cd voxlect
pip install -e .

Load the model

# Load libraries
import torch
import torch.nn.functional as F
from src.model.dialect.whisper_dialect import WhisperWrapper

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

# Load model from Huggingface
model = WhisperWrapper.from_pretrained("tiantiaf/voxlect-english-dialect-whisper-large-v3").to(device)
model.eval()

Prediction

# Label List
dialect_list = [
  'East Asia',
  'English',
  'Germanic',
  'Irish', 
  'North America',
  'Northern Irish',
  'Oceania',
  'Other',
  'Romance',
  'Scottish',
  'Semitic',
  'Slavic',
  'South African',
  'Southeast Asia',
  'South Asia',
  'Welsh'
]
    
# Load data, here just zeros as the example
# Our training data filters output audio shorter than 3 seconds (unreliable predictions) and longer than 15 seconds (computation limitation)
# So you need to prepare your audio to a maximum of 15 seconds, 16kHz and mono channel
max_audio_length = 15 * 16000
data = torch.zeros([1, 16000]).float().to(device)[:, :max_audio_length]
logits, embeddings = model(data, return_feature=True)
    
# Probability and output
dialect_prob = F.softmax(logits, dim=1)
print(dialect_list[torch.argmax(dialect_prob).detach().cpu().item()])

Responsible Use: Users should respect the privacy and consent of the data subjects, and adhere to the relevant laws and regulations in their jurisdictions when using Voxlect.

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

❌ Out-of-Scope Use

  • Clinical or diagnostic applications
  • 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{feng2025voxlect,
  title={Voxlect: A Speech Foundation Model Benchmark for Modeling Dialects and Regional Languages Around the Globe},
  author={Feng, Tiantian and Huang, Kevin and Xu, Anfeng and Shi, Xuan and Lertpetchpun, Thanathai and Lee, Jihwan and Lee, Yoonjeong and Byrd, Dani and Narayanan, Shrikanth},
  journal={arXiv preprint arXiv:2508.01691},
  year={2025}
}

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
c68e46b

0 моделей