/ Модель

Характеристики

Лицензия
OpenRAIL
Базовая модель
whisper-large-v3
Библиотека
transformers
Опубликована
29 июл 2025

voxlect-spanish-dialect-whisper-large-v3

Классификация аудиоАудио → label3 профессии

Модель классифицирует испанскую речь по шести региональным диалектам на основе Whisper large-v3.

270скачиваний за 30 дней5лайковвеса 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 tiantiaf/voxlect-spanish-dialect-whisper-large-v3 разработана Тяньтянь Фэн и предназначена для классификации испанских речевых диалектов. Она дообучена на базе openai/whisper-large-v3 и принимает аудио, а на выходе определяет один из шести региональных вариантов: Andino-Pacífico, Caribe and Central, Chileno, Mexican, Penisular или Rioplatense. В метаданных указан датасет Mozilla Common Voice 11.0 и формат safetensors.

Модель подходит для анализа региональных различий в испанской речи и экспериментов с классификацией диалектов. README исключает клиническое применение, наблюдение и использование с нарушением приватности; также запрещено коммерческое использование. Лицензия указана как OpenRAIL.

Сценарии применения

  • определение диалекта в аудиозаписи на испанском языке
  • анализ региональных различий в испанской речи
  • разметка аудиоданных по испанским диалектам

Ограничения

Не предназначена для клинической диагностики, наблюдения или приложений, нарушающих приватность; коммерческое использование запрещено. Классификация ограничена шестью диалектными категориями, перечисленными в README.

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 Spanish Dialect Classification

Model Description

This model includes the implementation of Spanish 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 Spanish dialects are:

[
  "Andino-Pacífico", 
  "Caribe and Central", 
  "Chileno",
  "Mexican", 
  "Penisular", 
  "Rioplatense", 
]

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-spanish-dialect-whisper-large-v3").to(device)
model.eval()

Prediction

# Label List
dialect_list = [
    "Andino-Pacífico", 
    "Caribe and Central", 
    "Chileno",
    "Mexican", 
    "Penisular", 
    "Rioplatense", 
]
    
# 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
e355545

0 моделей