/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Библиотека
transformers
Опубликована
14 апр 2026

wav2vec2-xlsr-53-stuttering-classification

Классификация текстаТекст → label3 профессии

Модель классифицирует фрагменты речи по типам заикания: повторениям звуков и слов, а также блокам.

368скачиваний за 30 дней0лайковвеса обновлены14 апр 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 vocametrix/wav2vec2-xlsr-53-stuttering-classification разработана для классификации типов заикания в речи. Это модель Wav2Vec2ForSequenceClassification на базе facebook/wav2vec2-large-xlsr-53, дообученная сквозным образом на датасете SEP-28k-Extended. Она относит речевые фрагменты к повторениям звуков, повторениям слов и блокам речи.

Модель рассчитана на аудиоанализ для систем поддержки речевой терапии и анализа нарушений плавности речи. Для длинных записей автор рекомендует нарезку на фрагменты по 4 секунды с перекрытием 50%. На тестировании с разбиением по говорящим взвешенная F1 составила 43% для повторений звуков, 56% для повторений слов и 32% для блоков, поэтому результаты могут быть неточными и требуют осторожной интерпретации. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • выявление повторений звуков в речи
  • обнаружение повторений слов при заикании
  • распознавание блоков и остановок в речевом потоке
  • анализ аудиофрагментов для поддержки речевой терапии

Ограничения

Показатели F1 умеренные: особенно низкий результат получен для блоков речи (32%), поэтому классификация может ошибаться и не заменяет оценку специалиста. Для длинных записей рекомендованы фрагменты по 4 секунды с перекрытием 50%.

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

Wav2Vec2-XLSR-53 Fine-Tuned for Stuttering Detection

A Wav2Vec2ForSequenceClassification model fine-tuned on the SEP-28k-Extended dataset for multi-class stuttering type classification.

This model is part of the SpeechTherapyAgent (VST) system described in the paper:

SpeechTherapyAgent: A Clinician-in-the-Loop AI Virtual Speech Therapist for Personalized and Supervised Therapy Shakeel A. Sheikh, Patrick Marmaroli, Md Sahidullah, Slim Ouni, Fabrice Hirsch, Gonçalo Leal, Björn W. Schuller (under review)

Live demo: vocametrix.com/ai/stuttering-therapy-planning-agent

Model Details

PropertyValue
Base modelfacebook/wav2vec2-large-xlsr-53
ArchitectureWav2Vec2ForSequenceClassification
Fine-tuningEnd-to-end (full model, not frozen features)
Training dataSEP-28k-Extended (~28k three-second clips from stuttering podcasts)
Training steps72,600
Parameters~315M
Input16 kHz mono audio
Output6 classes

Labels

IDLabelDescription
0SoundrepetitionRepetition of individual sounds (e.g., "b-b-ball")
1WordrepetitionRepetition of whole words (e.g., "I-I-I want")
2blockSilent or audible blocks in speech flow
3fluentFluent speech (no disfluency)
4interjectionFiller words or sounds (e.g., "um", "uh")
5prolongationProlonged sounds (e.g., "ssssnake")

Performance

Weighted average F1 scores on SEP-28k-Extended (speaker-disjoint split):

ClassFine-tuned (this model)SOTA without fine-tuning
Soundrepetition43.00%32.07%
Wordrepetition56.00%41.23%
Block32.00%31.02%
Fluent82.00%66.92%
Interjection77.00%51.63%
Prolongation44.00%46.23%
Weighted Avg F167.00%44.85%

Usage

from transformers import AutoModelForAudioClassification, AutoFeatureExtractor
import torch
import torch.nn.functional as F
import librosa

# Load model
model_name = "vocametrix/wav2vec2-xlsr-53-stuttering-classification"
feature_extractor = AutoFeatureExtractor.from_pretrained(model_name)
model = AutoModelForAudioClassification.from_pretrained(model_name)
model.eval()

# Load audio (16 kHz, mono)
audio, sr = librosa.load("your_audio.wav", sr=16000, mono=True)

# Classify
inputs = feature_extractor(audio, sampling_rate=16000, return_tensors="pt", padding=True)
with torch.no_grad():
    logits = model(**inputs).logits
    probs = F.softmax(logits, dim=-1)
    pred_id = torch.argmax(probs, dim=-1).item()
    confidence = probs[0][pred_id].item()
    label = model.config.id2label[pred_id]

print(f"Prediction: {label} ({confidence:.1%})")

Chunked Inference

For longer audio recordings, we recommend splitting into 4-second chunks with 50% overlap (as used in the VST system):

import numpy as np

chunk_duration = 4.0  # seconds
overlap = 0.50
chunk_samples = int(chunk_duration * 16000)
step_samples = int(chunk_samples * (1 - overlap))

results = []
pos = 0
while pos < len(audio):
    end = min(pos + chunk_samples, len(audio))
    chunk = audio[pos:end]
    if len(chunk) < chunk_samples:
        chunk = np.pad(chunk, (0, chunk_samples - len(chunk)))

    inputs = feature_extractor(chunk, sampling_rate=16000, return_tensors="pt", padding=True)
    with torch.no_grad():
        logits = model(**inputs).logits
        probs = F.softmax(logits, dim=-1)
        pred_id = torch.argmax(probs, dim=-1).item()
        results.append({
            "start": pos / 16000,
            "end": end / 16000,
            "label": model.config.id2label[pred_id],
            "confidence": probs[0][pred_id].item(),
        })
    pos += step_samples

Inference Speed

DeviceTime per 4s chunkNotes
GPU (CUDA)~80 msNVIDIA RTX-class
CPU~810 msIntel i7, single thread

Citation

If you use this model in your research, please cite:

@article{sheikh2026speechtherapyagent,
  title={SpeechTherapyAgent: A Clinician-in-the-Loop AI Virtual Speech Therapist for Personalized and Supervised Therapy},
  author={Sheikh, Shakeel A. and Marmaroli, Patrick and Sahidullah, Md and Ouni, Slim and Hirsch, Fabrice and Leal, Gon\c{c}alo and Schuller, Bj\"orn W.},
  journal={Under review},
  year={2026}
}

License

Apache 2.0

Acknowledgements

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Нельзя запустить

Для архитектуры wav2vec2 нет загрузчика под задачу text-classification.

Класс архитектуры
Wav2Vec2ForSequenceClassification
Ревизия весов
d9da154

0 моделей