/ Модель

Характеристики

Размер весов
84,5 МБ
Лицензия
Apache 2.0
Опубликована
2 мар 2022

voxlingua107-epaca-tdnn

Классификация аудиоАудио → label3 профессии

Модель определяет язык устной речи среди 107 языков и извлекает речевые признаки для создания систем идентификации языка.

547скачиваний за 30 дней33лайкавеса обновлены27 ноя 2024

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

TalTechNLP/voxlingua107-epaca-tdnn — модель распознавания языка устной речи, обученная с помощью SpeechBrain на наборе VoxLingua107. Она использует архитектуру ECAPA-TDNN, разработанную для распознавания дикторов, и классифицирует аудиофрагмент по одному из 107 языков. Модель также можно применять для извлечения признаков на уровне высказывания и обучения собственной системы идентификации языка.

Модель подходит для автоматического определения языка в коротких речевых записях и подготовки языковых эмбеддингов. На указанном в карточке наборе разработки частота ошибок составила 7%. Доступны веса PyTorch, лицензия — Apache-2.0.

Данные VoxLingua107 автоматически извлечены из роликов YouTube и размечены по языку заголовка и описания, поэтому качество обучения и разметки неоднородно. Точность может быть ниже для малоресурсных языков, речи с иностранным акцентом, женской и детской речи, а также речи людей с нарушениями речи.

Сценарии применения

  • определение языка в короткой аудиозаписи
  • автоматическая маршрутизация звонка по языку собеседника
  • сортировка речевых файлов по языкам
  • извлечение эмбеддингов для собственной системы распознавания языка

Ограничения

Возможны более низкие результаты для малоресурсных языков, речи с иностранным акцентом, женской и детской речи, а также речи людей с нарушениями речи. Обучающие данные автоматически собраны с YouTube и размечены по языку заголовка и описания видео.

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

VoxLingua107 ECAPA-TDNN Spoken Language Identification Model

Model description

This is a spoken language recognition model trained on the VoxLingua107 dataset using SpeechBrain. The model uses the ECAPA-TDNN architecture that has previously been used for speaker recognition.

The model can classify a speech utterance according to the language spoken. It covers 107 different languages ( Abkhazian, Afrikaans, Amharic, Arabic, Assamese, Azerbaijani, Bashkir, Belarusian, Bulgarian, Bengali, Tibetan, Breton, Bosnian, Catalan, Cebuano, Czech, Welsh, Danish, German, Greek, English, Esperanto, Spanish, Estonian, Basque, Persian, Finnish, Faroese, French, Galician, Guarani, Gujarati, Manx, Hausa, Hawaiian, Hindi, Croatian, Haitian, Hungarian, Armenian, Interlingua, Indonesian, Icelandic, Italian, Hebrew, Japanese, Javanese, Georgian, Kazakh, Central Khmer, Kannada, Korean, Latin, Luxembourgish, Lingala, Lao, Lithuanian, Latvian, Malagasy, Maori, Macedonian, Malayalam, Mongolian, Marathi, Malay, Maltese, Burmese, Nepali, Dutch, Norwegian Nynorsk, Norwegian, Occitan, Panjabi, Polish, Pushto, Portuguese, Romanian, Russian, Sanskrit, Scots, Sindhi, Sinhala, Slovak, Slovenian, Shona, Somali, Albanian, Serbian, Sundanese, Swedish, Swahili, Tamil, Telugu, Tajik, Thai, Turkmen, Tagalog, Turkish, Tatar, Ukrainian, Urdu, Uzbek, Vietnamese, Waray, Yiddish, Yoruba, Mandarin Chinese).

Intended uses & limitations

The model has two uses:

  • use 'as is' for spoken language recognition
  • use as an utterance-level feature (embedding) extractor, for creating a dedicated language ID model on your own data

The model is trained on automatically collected YouTube data. For more information about the dataset, see here.

How to use

import torchaudio
from speechbrain.pretrained import EncoderClassifier
language_id = EncoderClassifier.from_hparams(source="TalTechNLP/voxlingua107-epaca-tdnn", savedir="tmp")
# Download Thai language sample from Omniglot and cvert to suitable form
signal = language_id.load_audio("https://omniglot.com/soundfiles/udhr/udhr_th.mp3")
prediction =  language_id.classify_batch(signal)
print(prediction)
  (tensor([[0.3210, 0.3751, 0.3680, 0.3939, 0.4026, 0.3644, 0.3689, 0.3597, 0.3508,
           0.3666, 0.3895, 0.3978, 0.3848, 0.3957, 0.3949, 0.3586, 0.4360, 0.3997,
           0.4106, 0.3886, 0.4177, 0.3870, 0.3764, 0.3763, 0.3672, 0.4000, 0.4256,
           0.4091, 0.3563, 0.3695, 0.3320, 0.3838, 0.3850, 0.3867, 0.3878, 0.3944,
           0.3924, 0.4063, 0.3803, 0.3830, 0.2996, 0.4187, 0.3976, 0.3651, 0.3950,
           0.3744, 0.4295, 0.3807, 0.3613, 0.4710, 0.3530, 0.4156, 0.3651, 0.3777,
           0.3813, 0.6063, 0.3708, 0.3886, 0.3766, 0.4023, 0.3785, 0.3612, 0.4193,
           0.3720, 0.4406, 0.3243, 0.3866, 0.3866, 0.4104, 0.4294, 0.4175, 0.3364,
           0.3595, 0.3443, 0.3565, 0.3776, 0.3985, 0.3778, 0.2382, 0.4115, 0.4017,
           0.4070, 0.3266, 0.3648, 0.3888, 0.3907, 0.3755, 0.3631, 0.4460, 0.3464,
           0.3898, 0.3661, 0.3883, 0.3772, 0.9289, 0.3687, 0.4298, 0.4211, 0.3838,
           0.3521, 0.3515, 0.3465, 0.4772, 0.4043, 0.3844, 0.3973, 0.4343]]), tensor([0.9289]), tensor([94]), ['th'])
# The scores in the prediction[0] tensor can be interpreted as cosine scores between
# the languages and the given utterance (i.e., the larger the better)
# The identified language ISO code is given in prediction[3]
print(prediction[3])
  ['th']
  
# Alternatively, use the utterance embedding extractor:
emb =  language_id.encode_batch(signal)
print(emb.shape)
  torch.Size([1, 1, 256])

Limitations and bias

Since the model is trained on VoxLingua107, it has many limitations and biases, some of which are:

  • Probably it's accuracy on smaller languages is quite limited
  • Probably it works worse on female speech than male speech (because YouTube data includes much more male speech)
  • Based on subjective experiments, it doesn't work well on speech with a foreign accent
  • Probably it doesn't work well on children's speech and on persons with speech disorders

Training data

The model is trained on VoxLingua107.

VoxLingua107 is a speech dataset for training spoken language identification models. The dataset consists of short speech segments automatically extracted from YouTube videos and labeled according the language of the video title and description, with some post-processing steps to filter out false positives.

VoxLingua107 contains data for 107 languages. The total amount of speech in the training set is 6628 hours. The average amount of data per language is 62 hours. However, the real amount per language varies a lot. There is also a seperate development set containing 1609 speech segments from 33 languages, validated by at least two volunteers to really contain the given language.

Training procedure

We used SpeechBrain to train the model. Training recipe will be published soon.

Evaluation results

Error rate: 7% on the development dataset

BibTeX entry and citation info

@inproceedings{valk2021slt,
  title={{VoxLingua107}: a Dataset for Spoken Language Recognition},
  author={J{\"o}rgen Valk and Tanel Alum{\"a}e},
  booktitle={Proc. IEEE SLT Workshop},
  year={2021},
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели SpeechBrain требуют отдельного рантайма.

Ревизия весов
1b1adee

0 моделей