音頻分類

2025年最佳 348 款音頻分類工具

基於Facebook大規模多語言語音項目微調的語言識別模型，支持126種語言的音頻分類

Transformers 支持多種語言

Wav2vec2 Base Finetuned Speech Commands V0.02

該模型是基於facebook/wav2vec2-base在speech_commands數據集上微調的語音命令識別模型，準確率達97.59%。

Whisper Medium Fleurs Lang Id

基於OpenAI Whisper-medium微調的語音語種識別模型，在FLEURS數據集上達到88.05%準確率

Wav2vec2 Large Robust 12 Ft Emotion Msp Dim

該模型通過對Wav2Vec2-Large-Robust進行微調訓練，用於語音情感識別，輸出喚醒度、支配度和效價三個維度的預測值。

Transformers 英語

Lang Id Voxlingua107 Ecapa

基於SpeechBrain框架和ECAPA-TDNN架構的語音語言識別模型，支持107種語言的識別和語音嵌入向量提取。

音頻分類支持多種語言

Ast Finetuned Audioset 10 10 0.4593

音頻頻譜圖變換器（AST）是基於AudioSet微調的模型，將音頻轉換為頻譜圖後應用視覺變換器進行音頻分類。

Whisper Small Ft Common Language Id

基於openai/whisper-small微調的通用語言識別模型，在評估集上準確率達88.6%

Emotion Recognition Wav2vec2 IEMOCAP

使用微調的wav2vec2模型進行語音情感識別，在IEMOCAP數據集上訓練

音頻分類英語

Ast Finetuned Audioset 14 14 0.443

基於AudioSet數據集微調的音頻頻譜圖變換器，將音頻轉換為頻譜圖後使用視覺變換器架構處理，在音頻分類任務中表現優異。

Wav2vec2 Large Xlsr 53 Gender Recognition Librispeech

基於Librispeech-clean-100數據集微調的性別識別模型，在測試集上F1分數達0.9993

Wav2vec English Speech Emotion Recognition

基於Wav2Vec 2.0微調的英語語音情感識別模型，能夠識別7種不同情感

Hubert Large Speech Emotion Recognition Russian Dusha Finetuned

該模型是基於HuBERT架構微調的俄語語音情感識別模型，在DUSHA數據集上訓練，能夠識別中性、憤怒、積極、悲傷等情感狀態。

Transformers 其他

MERT-v1-330M 是一個基於 MLM 範式訓練的高級音樂理解模型，具有 330M 參數，支持 24K Hz 音頻採樣率和 75 Hz 特徵率，適用於多種音樂信息檢索任務。

Audiobox Aesthetics

統一的語音、音樂和聲音自動質量評估模型

這是一個基於Wav2Vec2架構的語音語言識別模型，能夠識別256種語言，屬於Facebook大規模多語言語音(MMS)項目的一部分。

Transformers 支持多種語言

Wav2vec2 Large Robust 24 Ft Age Gender

該模型以原始音頻信號作為輸入，輸出年齡預測值以及性別概率（兒童/女性/男性），同時輸出最後一層transformer的池化狀態。

Wav2vec2 Lg Xlsr En Speech Emotion Recognition

基於Wav2Vec 2.0微調的語音情感識別模型，支持識別8種英語情感，在RAVDESS數據集上準確率達82.23%

Wav2vec2 Base Superb Er

這是一個基於Wav2Vec2架構的語音情感識別模型，移植自S3PRL項目，用於識別語音中的情感類別。

Transformers 英語

SER Odyssey Baseline WavLM Multi Attributes

基於WavLM架構的多屬性語音情緒識別基線模型，用於預測激活度、支配度和效價三個情緒維度

Transformers 英語

Wav2vec2 Large Robust 6 Ft Age Gender

該模型通過微調Wav2Vec2-Large-Robust，能夠從原始音頻中預測說話者的年齡和性別。

MERT-v1-330M是一個基於MLM範式訓練的高級音樂理解模型，具有330M參數規模，支持24K Hz音頻採樣率，適用於多種音樂信息檢索任務。

Voice Gender Classifier

基於ECAPA-TDNN架構的預訓練模型，用於從人類語音中分類性別

Voice Safety Classifier

基於WavLM base plus架構的語音內容安全檢測模型，用於識別語音聊天中的毒性內容

Hubert Base Superb Ks

該模型是基於Hubert架構的關鍵詞識別模型，用於將語音片段分類為預定義的關鍵詞集合。

Transformers 英語

Ast Finetuned Speech Commands V2

基於Speech Commands v2數據集微調的音頻頻譜圖變換器模型，用於音頻分類任務，準確率達98.12%。

Hubert Large Superb Er

基於Hubert-Large預訓練模型的情感識別模型，用於預測語音中的情感類別

Transformers 英語

Voxlingua107 Epaca Tdnn

基於VoxLingua107數據集訓練的ECAPA-TDNN架構口語語言識別模型，支持107種語言識別

音頻分類其他

AST VoxCelebSpoof Synthetic Voice Detection

基於MIT/ast-finetuned-audioset-10-10-0.4593微調的合成語音檢測模型，在VoxCelebSpoof數據集上表現出色

Transformers 英語

Hubert Base Superb Er

該模型是基於Hubert-Base架構的情感識別模型，在SUPERB情感識別任務上訓練，用於語音情感分類

Transformers 英語

Speech Emotion Recognition With Openai Whisper Large V3

本項目利用Whisper模型實現語音情感識別，能夠將音頻分類為快樂、悲傷、驚訝等不同情感類別。

Wav2vec2 Xlsr Persian Speech Emotion Recognition

這是一個基於Wav2Vec 2.0架構的波斯語語音情感識別模型，能夠識別六種基本情感狀態。

Transformers 其他

Voice Safety Classifier V2

基於WavLM架構的多語言語音毒性檢測模型，支持8種語言，可識別6類違規內容

Transformers 支持多種語言

Wav2vec Vm Finetune

基於facebook/wav2vec2-xls-r-300m微調的語音郵件檢測模型，專用於區分語音郵件問候語和真人應答。

Transformers 英語

Wav2vecbert2 Filledpause

用於對音頻中20毫秒的幀進行分類，判斷是否存在填充停頓（如'eee'、'errm'等）的模型

Safetensors 其他

這是一個基於Wav2Vec2架構的語音語言識別模型，能夠識別4017種語言，屬於Facebook大規模多語言語音項目的一部分。

Transformers 支持多種語言

Wav2vec2 Base Lang Id

基於facebook/wav2vec2-base在common_language數據集上微調的語音語言識別模型

Music Genres Classification

該模型基於facebook/wav2vec2-base-960h訓練，用於音樂流派分類任務，支持10種流派識別。

Ssast Small Patch Audioset 16 16

基於AudioSet和Librispeech預訓練的音頻分類模型，採用視覺變換器架構處理音頻頻譜圖

Accent Id Commonaccent Ecapa

該模型使用ECAPA-TDNN架構對英語語音進行16種口音分類，在CommonAccent數據集上訓練，測試準確率達87%。

音頻分類英語

Deepfake Audio Detection V2

基於音頻文件夾數據集微調的Deepfake音頻檢測模型，準確率達99.73%

Wav2vec2 Base Audioset

基於HuBERT架構的音頻表徵學習模型，在完整AudioSet數據集上預訓練完成

Musical Instrument Detection

基於wav2vec 2.0架構的語音識別基礎模型，在960小時英語語音數據上預訓練

AIbase

智啟未來，您的人工智能解決方案智庫

English 简体中文繁體中文にほんご

© 2025AIbase