/ Модель

Характеристики

Лицензия
OpenRAIL
Базовая модель
wavlm-large
Опубликована
21 мая 2025

wavlm-large-speech-flow

Классификация аудиоАудио → label3 профессии

Дообученная WavLM Large классифицирует фрагменты аудио по беглости речи и дополнительно анализирует типы небеглой речи.

171скачиваний 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/wavlm-large-speech-flow — модель для классификации беглости речи, основанная на дообученной Microsoft WavLM Large. Она анализирует аудио окнами по 3 секунды с шагом 1 секунда и определяет, является ли речь беглой или небеглой. Для обнаруженных небеглых фрагментов предусмотрен дополнительный анализ типов нарушений беглости, однако их категории в доступном описании не перечислены.

Модель предназначена для анализа речевых фрагментов и характеристики речи говорящего. В метаданных указан английский язык и аудиовход; выход представляет собой текстовые классы. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии OpenRAIL.

Сценарии применения

  • выявление небеглых участков речи
  • классификация фрагментов как беглых или небеглых
  • анализ беглости речи в аудиозаписях

Ограничения

Описание не раскрывает категории типов небеглой речи и не приводит метрик качества. Анализ выполняется окнами по 3 секунды с шагом 1 секунда.

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

WavLM-Large for Speech Flow (Fluency) Classification

Model Description

This model includes the implementation of speech fluency classification described in Vox-Profile: A Speech Foundation Model Benchmark for Characterizing Diverse Speaker and Speech Traits (https://arxiv.org/pdf/2505.14648)

The model first predicts the speech with a 3-second window size and 1-second step size in

["fluent", "disfluent"]

If the disfluent speech is detected, we predict the disfluent types in:

[
  "Block", 
  "Prolongation", 
  "Sound Repetition", 
  "Word Repetition", 
  "Interjection"
]

How to use this model

Download repo

git clone git@github.com:tiantiaf0627/vox-profile-release.git

Install the package

conda create -n vox_profile python=3.8
cd vox-profile-release
pip install -e .

Load the model

# Load libraries
import torch
import torch.nn.functional as F
from src.model.fluency.wavlm_fluency import WavLMWrapper

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

# Load model from Huggingface
model = WavLMWrapper.from_pretrained("tiantiaf/wavlm-large-speech-flow").to(device)
model.eval()

Load the model into 3s window chunks

# The way we do inference for fluency is different as the training data is 3s, so we need to do some stacking
audio_data = torch.zeros([1, 16000*10]).float().to(device)
audio_segment = (audio_data.shape[1] - 3*16000) // 16000 + 1
if audio_segment < 1: audio_segment = 1
input_audio = list()
for idx in range(audio_segment): input_audio.append(audio_data[0, 16000*idx:16000*idx+3*16000])
input_audio = torch.stack(input_audio, dim=0)

Prediction

fluency_outputs, disfluency_type_outputs = model(input_audio)
fluency_prob   = F.softmax(fluency_outputs, dim=1).detach().cpu().numpy().astype(float).tolist()

disfluency_type_prob = nn.Sigmoid()(disfluency_type_outputs)
# we can set a higher threshold in practice
disfluency_type_predictions = (disfluency_type_prob > 0.7).int().detach().cpu().numpy().tolist()
disfluency_type_prob = disfluency_type_prob.cpu().numpy().astype(float).tolist()

Now lets gather the predictions for the utterance

utterance_fluency_list = list()
utterance_disfluency_list = list()
for audio_idx in range(audio_segment):
  disfluency_type = list()
  if fluency_prob[audio_idx][0] > 0.5: 
      utterance_fluency_list.append("fluent")
  else: 
      # If the prediction is disfluent, then which disfluency type
      utterance_fluency_list.append("disfluent")
      predictions = disfluency_type_predictions[audio_idx]
      for label_idx in range(len(predictions)):
          if predictions[label_idx] == 1:
            disfluency_type.append(disfluency_type_labels[label_idx])
  utterance_disfluency_list.append(disfluency_type)

# Now print how fluent is the utterance
print(utterance_fluency_list)
print(utterance_disfluency_list)

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

Kindly cite our paper if you are using our model or find it useful in your work

@article{feng2025vox,
  title={Vox-Profile: A Speech Foundation Model Benchmark for Characterizing Diverse Speaker and Speech Traits},
  author={Feng, Tiantian and Lee, Jihwan and Xu, Anfeng and Lee, Yoonjeong and Lertpetchpun, Thanathai and Shi, Xuan and Wang, Helin and Thebaud, Thomas and Moro-Velazquez, Laureano and Byrd, Dani and others},
  journal={arXiv preprint arXiv:2505.14648},
  year={2025}
}

If you use this dataset, you should also cite the following dataset:

@article{ratner2018fluency,
  title={Fluency Bank: A new resource for fluency research and practice},
  author={Ratner, Nan Bernstein and MacWhinney, Brian},
  journal={Journal of fluency disorders},
  volume={56},
  pages={69--80},
  year={2018},
  publisher={Elsevier}
}

@inproceedings{lea2021sep,
  title={Sep-28k: A dataset for stuttering event detection from podcasts with people who stutter},
  author={Lea, Colin and Mitra, Vikramjit and Joshi, Aparna and Kajarekar, Sachin and Bigham, Jeffrey P},
  booktitle={ICASSP 2021-2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)},
  pages={6798--6802},
  year={2021},
  organization={IEEE}
}

Responsible use of the Model: the Model is released under Open RAIL license, and users should respect the privacy and consent of the data subjects, and adhere to the relevant laws and regulations in their jurisdictions in using our model.

❌ Out-of-Scope Use

  • Clinical or diagnostic applications
  • Surveillance
  • Privacy-invasive applications
  • No commercial use

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
aea5a48

0 моделей