К содержимому
Аудио

EmoFake Wav2Vec2 MLP

детектор аудиодипфейков на базе XLS-R-300M

2 мин чтенияобновлено

Бинарный классификатор от проекта DeepFense, который определяет, является ли аудиозапись реальной (bonafide) или синтезированной (spoof). В основе лежит замороженный энкодер fairseq XLS-R-300M (архитектура wav2vec2 на 300 млн параметров) и классификатор MLP (многослойный перцептрон) с проекцией [256, 128]. Модель обучена на официальном датасете EmoFake без аугментаций данных (конкретный чекпоинт — с сидом 42, также доступны варианты с сидами 2 и 240). Пригодится исследователям и разработчикам систем антиспуфинга речи для оценки устойчивости детекторов на кросс-доменных тестах.

Ключевые особенности

  • Архитектура сочетает замороженный фронтенд XLS-R-300M и обучаемый бэкенд MLP с нормализацией слоёв.
  • Работает с аудио частотой дискретизации 16 кГц, обрезая или зацикливая фрагменты до фиксированной длины в 64 600 сэмплов.
  • Чекпоинт best_model.pth сохранён как словарь DeepFense (содержит веса, состояние оптимизатора и метаданные), а не в формате from_pretrained для Transformers.
  • Поддерживает английский и китайский языки (согласно метаданным и составу датасета EmoFake).

Что можно сделать

  • Встроить в исследовательский пайплайн DeepFense для проверки голосовой биометрии и антиспуфинга на сторонних наборах данных (например, InTheWild или ASV19).
  • Использовать как базовый бейзлайн (ориентир) при сравнении замороженных SSL-энкодеров с дообученными моделями детекции синтезированной речи.
  • Сравнить стабильность метрик между тремя опубликованными сидами (Seed 2, Seed 42 и Seed 240) без объединения в ансамбль.

Пример

hf download DeepFense/EmoFake_Wav2Vec2_MLP_NoAug_Seed42 --local-dir checkpoints/EmoFake_Wav2Vec2_MLP_NoAug_Seed42

python test.py --config /absolute/path/to/checkpoint/config.yaml \
  --checkpoint /absolute/path/to/checkpoint/best_model.pth
ПодробнееБенчмарки EER (Equal Error Rate, ниже — лучше): 27.31% на InTheWild (31 779 записей) и 20.26% на ASV19 (71 237 записей) по разнице логитов; на валидации EmoFake — 0.0000%.
Для запуска требуется репозиторий DeepFense (коммит 3f2fe11), среда с PyTorch 2.4.1+cu121 и локальный файл оригинальных весов XLS-R-300M для инициализации.
Метки классов: 0 = spoof (подделка), 1 = bonafide (оригинал). Предназначено для исследований в области детекции аудиодипфейков (датасет EmoFake под лицензией CC BY-NC-ND 4.0).
Обсудить Telegram 0 15

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 1.2 GB · готовые файлы1.8 GB
  • FP8 / INT8рекомендуемвеса 0.6 GB1.1 GB
  • 4-bitвеса 0.3 GB0.9 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # DeepFense/EmoFake_Wav2Vec2_MLP_NoAug_Seed42
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download DeepFense/EmoFake_Wav2Vec2_MLP_NoAug_Seed42 --local-dir ~/models/EmoFake_Wav2Vec2_MLP_NoAug_Seed42
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к EmoFake_Wav2Vec2_MLP_NoAug_Seed42
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии EmoFake_Wav2Vec2_MLP_NoAug_Seed42 — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

DeepFense/EmoFake_Wav2Vec2_MLP_NoAug_Seed42
Автор
DeepFense
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

150

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии