/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
genaid · dense
Библиотека
transformers
Опубликована
15 авг 2026

GenAID

Классификация аудиоАудио → label3 профессии

GenAID анализирует китайскую речь, распознаёт один из девяти акцентов и извлекает 64-мерное представление акцента с уменьшенным влиянием голоса конкретного говорящего.

21скачиваний за 30 дней0лайковвеса обновлены15 авг 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

GenAID — модель кодирования аудио для распознавания китайских акцентов, построенная на базе facebook/wav2vec2-large-xlsr-53. Она принимает необработанный аудиосигнал с частотой 16 кГц и формирует 64-мерный вектор акцента, стараясь отделять признаки акцента от информации о личности говорящего. Архитектура включает сверточный экстрактор признаков XLS-R, Transformer-энкодер из 24 блоков и узкое место с GELU; экстрактор признаков заморожен, а энкодер и проекция дообучены.

Модель различает девять меток: северный, сычуаньский, гуандунский, южный, хэнаньский, шанхайский, уханьский, тяньцзиньский и сингапурский варианты китайской речи. Её можно применять для классификации акцента и извлечения компактных векторов акцента в аудиосистемах. Для загрузки репозитория требуется trust_remote_code=True. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • распознавание регионального акцента в китайской речи
  • классификация китайской речи по девяти акцентным меткам
  • извлечение векторов акцента из аудиозаписей
  • сравнение акцентных характеристик речевых фрагментов

Ограничения

Предназначена для девяти перечисленных акцентных категорий китайской речи; возможности для других языков и акцентов в карточке не описаны. Для загрузки требуется включить trust_remote_code=True.

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

GenAID

GenAID is a Chinese accent encoder based on facebook/wav2vec2-large-xlsr-53. It produces a 64-dimensional accent embedding designed to reduce speaker information. The model recognizes nine labels: north, Sichuan, Guangdong, south, Henan, Shanghai, Wuhan, Tianjin, and Singapore.

GenAID and WhisAID Medium side by side

The comparison excludes Whisper's text decoder because accent identification uses only its audio encoder.

ComponentGenAID (this model)WhisAID Medium
Model-native inputRaw 16 kHz waveform [B, T]80-bin Whisper log-Mel [B, 80, 3000]
BackboneWav2Vec2 XLSR-53 LargeWhisper Medium audio encoder
Audio frontend7 convolution layers, combined stride 3202 convolution layers, second layer stride 2
Frontend output[B, T′, 512][B, 1500, 1024]
Feature projection512 → 1024None after the CNN
Transformer blocks2424
Transformer width10241024
Attention heads16 × 64 dimensions16 × 64 dimensions
FFN per block1024 → 4096 → 10241024 → 4096 → 1024
Transformer output[B, T′, 1024][B, 1500, 1024]
PoolingAttention-mask-aware temporal meanTemporal mean
Accent embedding1024 → 64 → 641024 → 256
Accent output64 → 9256 → 9
Speaker disentanglement64 → 336; uniform-distribution adversarial MSEGRL + speaker-token attention, 256 → 336
Task-relevant parameters315,530,560306,473,897, excluding text decoder
Frozen parameters4,210,176 (7-layer XLSR CNN)Audio encoder is evaluated under torch.no_grad() in the compared recipe
Effectively updated parameters311,320,384444,249

T′ is the downsampled XLSR sequence length. For a 10-second, 16 kHz waveform, T=160,000 and T′≈499.

GenAID module details

ModuleLayersInput → outputParametersTraining behavior
XLSR feature extractor7 CNN layers[B,T] → [B,T′,512]4,210,176Frozen
Feature projection + XLSR encoderProjection + 24 Transformer blocks[B,T′,512] → [B,T′,1024]311,228,544Updated
Masked mean pooling1[B,T′,1024] → [B,1024]0No parameters
Information bottleneck2 × Linear + GELU1024 → 64 → 6469,760Updated
Accent classifierLinear, no bias64 → 9576Updated
Speaker adversarial classifierLinear, no bias64 → 33621,504Updated during training
Total315,530,560

The 64-dimensional output of the second GELU is the reusable accent embedding. The speaker classifier is a training-only probe: its predicted speaker distribution is optimized toward a uniform distribution, discouraging the bottleneck from retaining speaker identity. The speaker branch is not required when extracting embeddings.

Usage

import librosa
import torch
from transformers import AutoFeatureExtractor, AutoModel

repo = "walston/GenAID"
processor = AutoFeatureExtractor.from_pretrained(repo)
model = AutoModel.from_pretrained(repo, trust_remote_code=True).cuda().eval()

wav, _ = librosa.load("audio.wav", sr=16000, mono=True)
inputs = processor(wav, sampling_rate=16000, return_tensors="pt")
inputs = {key: value.cuda() for key, value in inputs.items()}

with torch.inference_mode():
    output = model(**inputs)

accent_embedding = output.embedding       # [batch, 64]
accent_logits = output.accent_logits       # [batch, 9]

Loading this repository requires trust_remote_code=True because it includes the small GenAID bottleneck and classification heads around the standard XLS-R encoder.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · audio-classification

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
GenAIDModel
Ревизия весов
1627856

0 моделей