/ Модель

Характеристики

Лицензия
OpenRAIL
Базовая модель
whisper-small
Библиотека
transformers
Опубликована
7 авг 2025

voxlect-english-dialect-whisper-small

Классификация аудиоАудио → label3 профессии

Дообученная на Whisper Small модель классифицирует английскую речь по диалектным и региональным категориям.

116скачиваний 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

Модель разработана Tiantian Feng для классификации диалектов английской речи и представлена как реализация метода из работы Voxlect: A Speech Foundation Model Benchmark for Modeling Dialect and Regional Languages Around the Globe. Она принимает аудио и относит речь к одной из 16 категорий, включая North America, Scottish, Irish, South Asia и Oceania, а также более широкие языковые группы и категории English и Other.

Модель дообучена на базе openai/whisper-small; в обучении использованы дополнительные речевые данные TIMIT и ParaSpeechCaps. Репозиторий содержит веса в формате safetensors, а модель рассчитана на классификацию аудио с английской речью. Лицензия OpenRAIL запрещает коммерческое использование; авторы также исключают клиническое применение, наблюдение и вторжение в частную жизнь. При работе с речевыми данными следует учитывать согласие говорящих и применимые законы.

Сценарии применения

  • определение региональной категории английской речи по аудиозаписи
  • анализ распределения диалектов в речевом корпусе
  • классификация английской речи для исследований диалектов
  • сравнение диалектных категорий в аудиоданных

Ограничения

Модель выдаёт одну из заданных широких диалектных категорий и не предназначена для клинической диагностики, наблюдения или вторжения в частную жизнь. Лицензия запрещает 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-small 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-small").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
86fef94

0 моделей