2025年最佳的 348 个音频分类工具

基于Facebook大规模多语言语音项目微调的语言识别模型，支持126种语言的音频分类

该模型是基于facebook/wav2vec2-base在speech_commands数据集上微调的语音命令识别模型，准确率达97.59%。

基于OpenAI Whisper-medium微调的语音语种识别模型，在FLEURS数据集上达到88.05%准确率

该模型通过对Wav2Vec2-Large-Robust进行微调训练，用于语音情感识别，输出唤醒度、支配度和效价三个维度的预测值。

基于SpeechBrain框架和ECAPA-TDNN架构的语音语言识别模型，支持107种语言的识别和语音嵌入向量提取。

音频频谱图变换器（AST）是基于AudioSet微调的模型，将音频转换为频谱图后应用视觉变换器进行音频分类。

基于openai/whisper-small微调的通用语言识别模型，在评估集上准确率达88.6%

使用微调的wav2vec2模型进行语音情感识别，在IEMOCAP数据集上训练

基于AudioSet数据集微调的音频频谱图变换器，将音频转换为频谱图后使用视觉变换器架构处理，在音频分类任务中表现优异。

基于Librispeech-clean-100数据集微调的性别识别模型，在测试集上F1分数达0.9993

基于Wav2Vec 2.0微调的英语语音情感识别模型，能够识别7种不同情感

该模型是基于HuBERT架构微调的俄语语音情感识别模型，在DUSHA数据集上训练，能够识别中性、愤怒、积极、悲伤等情感状态。

MERT-v1-330M 是一个基于 MLM 范式训练的高级音乐理解模型，具有 330M 参数，支持 24K Hz 音频采样率和 75 Hz 特征率，适用于多种音乐信息检索任务。

统一的语音、音乐和声音自动质量评估模型

这是一个基于Wav2Vec2架构的语音语言识别模型，能够识别256种语言，属于Facebook大规模多语言语音(MMS)项目的一部分。

该模型以原始音频信号作为输入，输出年龄预测值以及性别概率（儿童/女性/男性），同时输出最后一层transformer的池化状态。

基于Wav2Vec 2.0微调的语音情感识别模型，支持识别8种英语情感，在RAVDESS数据集上准确率达82.23%

这是一个基于Wav2Vec2架构的语音情感识别模型，移植自S3PRL项目，用于识别语音中的情感类别。

基于WavLM架构的多属性语音情绪识别基线模型，用于预测激活度、支配度和效价三个情绪维度

该模型通过微调Wav2Vec2-Large-Robust，能够从原始音频中预测说话者的年龄和性别。

MERT-v1-330M是一个基于MLM范式训练的高级音乐理解模型，具有330M参数规模，支持24K Hz音频采样率，适用于多种音乐信息检索任务。

基于ECAPA-TDNN架构的预训练模型，用于从人类语音中分类性别

基于WavLM base plus架构的语音内容安全检测模型，用于识别语音聊天中的毒性内容

该模型是基于Hubert架构的关键词识别模型，用于将语音片段分类为预定义的关键词集合。

基于Speech Commands v2数据集微调的音频频谱图变换器模型，用于音频分类任务，准确率达98.12%。

基于Hubert-Large预训练模型的情感识别模型，用于预测语音中的情感类别

基于VoxLingua107数据集训练的ECAPA-TDNN架构口语语言识别模型，支持107种语言识别

基于MIT/ast-finetuned-audioset-10-10-0.4593微调的合成语音检测模型，在VoxCelebSpoof数据集上表现出色

该模型是基于Hubert-Base架构的情感识别模型，在SUPERB情感识别任务上训练，用于语音情感分类

本项目利用Whisper模型实现语音情感识别，能够将音频分类为快乐、悲伤、惊讶等不同情感类别。

这是一个基于Wav2Vec 2.0架构的波斯语语音情感识别模型，能够识别六种基本情感状态。

基于WavLM架构的多语言语音毒性检测模型，支持8种语言，可识别6类违规内容

基于facebook/wav2vec2-xls-r-300m微调的语音邮件检测模型，专用于区分语音邮件问候语和真人应答。

用于对音频中20毫秒的帧进行分类，判断是否存在填充停顿（如'eee'、'errm'等）的模型

这是一个基于Wav2Vec2架构的语音语言识别模型，能够识别4017种语言，属于Facebook大规模多语言语音项目的一部分。

基于facebook/wav2vec2-base在common_language数据集上微调的语音语言识别模型

该模型基于facebook/wav2vec2-base-960h训练，用于音乐流派分类任务，支持10种流派识别。

基于AudioSet和Librispeech预训练的音频分类模型，采用视觉变换器架构处理音频频谱图

该模型使用ECAPA-TDNN架构对英语语音进行16种口音分类，在CommonAccent数据集上训练，测试准确率达87%。

基于音频文件夹数据集微调的Deepfake音频检测模型，准确率达99.73%

基于HuBERT架构的音频表征学习模型，在完整AudioSet数据集上预训练完成

基于wav2vec 2.0架构的语音识别基础模型，在960小时英语语音数据上预训练