К содержимому
Аудио

GenAID

13 английских акцентов на базе XLSR

1 мин чтенияобновлено

GenAID — модель идентификации акцента английской речи от jzmzhong, представленная в статье AccentBox (ICASSP 2025). Это дообученный XLSR (facebook/wav2vec2-large-xlsr-53) со статистическим пулингом, MLP-эмбеддингами и классификатором. Обучена на speaker-based resplit датасета CommonAccent (Common Voice 17.0).

Ключевые особенности

  • Распознаёт 13 акцентов английского: US, Canadian, Australian, South Asian, English, Southern African, Irish, Scottish, Filipino, Singaporean, Hong Kong, Malaysian, New Zealand.
  • Accuracy 0.56 на 13 акцентах для невиданных ранее дикторов.
  • Выдаёт 64-мерные utterance-level accent embeddings.
  • Работает через SpeechBrain; на вход подаётся аудио 16 кГц mono, classify_file сам нормализует запись.
  • Inference API недоступен из-за несовместимости с текущими интерфейсами SpeechBrain — нужна установка из GenAID-репозитория.

Пример

from speechbrain.pretrained.interfaces import foreign_class

classifier = foreign_class(
    source="jzmzhong/accent-id-genaid",
    pymodule_file="custom_interface.py",
    classname="CustomEncoderWav2vec2Classifier",
)
out_prob, score, index, text_lab = classifier.classify_file("example.wav")
print(text_lab)
ПодробнееAccuracy 0.56 на 13 акцентах для невиданных дикторов.
Обучение: speaker-based resplit CommonAccent / Common Voice 17.0, аудио 16 кГц mono.
Нужна SpeechBrain v0.5.16 и старые интерфейсы; установка через GenAID-репозиторий.
Гарантий на другие датасеты нет.
Обсудить Telegram 0 22

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.

    # jzmzhong/accent-id-genaid
    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 jzmzhong/accent-id-genaid --local-dir ~/models/accent-id-genaid
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к accent-id-genaid
  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 accent-id-genaid — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

jzmzhong/accent-id-genaid
Автор
jzmzhong
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

220

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии