/ Модель

Характеристики

Параметры
51,7 млн
Архитектура
whisper · dense
Базовая модель
whisper-base
Библиотека
transformers
Опубликована
7 июл 2025

whisper-base-ser-dusha

Классификация аудиоАудио → label3 профессии

Дообученная на Dusha-crowd модель Whisper Base классифицирует русскую речь по пяти категориям эмоций.

4 732скачиваний за 30 дней0лайковвеса обновлены8 июл 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

Whisper-base-ser-dusha — модель распознавания эмоций в русской речи, созданная путём дообучения энкодера OpenAI Whisper Base с классификационной головой на датасете Dusha-crowd. Модель принимает аудио и относит речь к одному из пяти классов: злость, грусть, нейтральная эмоция, позитивная эмоция или категория «другое». Она реализована на Transformers, содержит 51,7 млн параметров и распространяется в формате safetensors.

Модель предназначена для автоматической классификации эмоциональной окраски русской речи, например для анализа голосовых записей и изучения эмоциональных реакций в аудио. При дообучении применялись сдвиг аудиосигнала, маскирование временных участков, цветной шум и взвешенная выборка классов. Точность на независимых данных и ограничения по условиям записи в карточке не описаны. Лицензия в предоставленных данных не указана.

Сценарии применения

  • определение эмоции говорящего в русскоязычных аудиозаписях
  • анализ эмоциональной окраски голосовых сообщений
  • классификация речи на злую, грустную, нейтральную, позитивную и прочую
  • разметка эмоциональных классов в коллекциях русской речи

Ограничения

Модель различает только пять заданных классов и обучалась на датасете Dusha-crowd; качество на других источниках аудио в карточке не приведено. Лицензия и оценка качества на независимых данных не описаны.

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-base for Speech Emotion Recognition in Russian on Dusha dataset

Whisper-base encoder with classification head for speech emotion recognition.

Dusha dataset: https://github.com/salute-developers/golos/tree/master/dusha

Multiclass classification into 5 classes:

  • angry 0
  • sad 1
  • neutral 2
  • positive 3
  • other 4

Model was fine-tuned on full Dusha-crowd with

  • augmentations Time Shift, Time Masking and Colored Noise;
  • WeightedRandomSampler.

Usage

import torch
import torchaudio
from transformers import WhisperForAudioClassification, WhisperFeatureExtractor

# load model and feature extractor
model = WhisperForAudioClassification.from_pretrained("waveletdeboshir/whisper-base-ser-dusha")
model.eval()
feature_extractor = WhisperFeatureExtractor.from_pretrained("waveletdeboshir/whisper-base-ser-dusha")

# load audio and resample if necessary
wav, sr = torchaudio.load("audio.wav")
if sr != 16000:
    wav = torchaudio.functional.resample(wav, sr, 16000)

# compute predictions
features = feature_extractor(wav[0], sampling_rate=16000, return_tensors="pt").input_features
with torch.no_grad():
    preds = model(features)

# get emotion and its probability
probs = torch.nn.functional.softmax(preds.logits, dim=-1)
print(f"Predicted emotion: {model.config.id2label[probs.argmax().item()]} with probability {probs.max().item():.4f}")

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · audio-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
WhisperForAudioClassification
Ревизия весов
9d3ad6a

0 моделей