/ Модель

Характеристики

Размер весов
26,5 МБ
Лицензия
CC BY 4.0
Опубликована
26 фев 2024

wespeaker-voxceleb-resnet34-LM

СуммаризацияТекст → текст3 профессии

Модель Wespeaker на ResNet34 извлекает векторные представления речи для сравнения и распознавания говорящих.

1 886скачиваний за 30 дней11лайковвеса обновлены6 мая 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

Это модель проекта Wespeaker для распознавания и сравнения голосов. Она использует архитектуру ResNet34 и формирует r-vector — векторное представление голоса; после обучения на VoxCeleb2 Dev с 5994 говорящими модель дополнительно дообучена с large-margin целью. В таблице результатов указаны 6,63 млн параметров и 4,55 млрд операций для варианта ResNet34-TSTP-emb256.

Модель предназначена для получения эмбеддингов речи, сравнения голосовых записей и задач идентификации или верификации говорящего. В репозитории есть формат ONNX. Лицензия — CC BY 4.0. Метаданные Hugging Face помечают модель как summarization, однако README описывает голосовые эмбеддинги, поэтому этот тег не подтверждается карточкой модели.

Сценарии применения

  • извлечение эмбеддингов голоса из аудиозаписи
  • сравнение двух голосовых записей
  • верификация личности говорящего по голосу
  • кластеризация аудиозаписей по говорящим

Ограничения

Тег summarization в метаданных противоречит назначению, описанному в README; для голосовых задач не приведён официальный pipeline-тег. Обучение проводилось на VoxCeleb2 Dev, поэтому качество на иных наборах данных и условиях записи по приведённым сведениям оценить нельзя.

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

Official model provided by Wespeaker project, ResNet34 based r-vector (After large margin finetune)

The model is trained on VoxCeleb2 Dev dataset, containing 5994 speakers.

Model Sources

Results on VoxCeleb

ModelParamsFlopsLMAS-Normvox1-O-cleanvox1-E-cleanvox1-H-clean
ResNet34-TSTP-emb2566.63M4.55G××0.8671.0491.959
×√0.7870.9641.726
√×0.7970.9371.695
√√0.7230.8671.532

Install Wespeaker

pip install git+https://github.com/wenet-e2e/wespeaker.git

for development install:

git clone https://github.com/wenet-e2e/wespeaker.git
cd wespeaker
pip install -e .

Command line Usage

$ wespeaker -p ResNet34_download_dir --task embedding --audio_file audio.wav --output_file embedding.txt
$ wespeaker -p ResNet34_download_dir --task embedding_kaldi --wav_scp wav.scp --output_file /path/to/embedding
$ wespeaker -p ResNet34_download_dir --task similarity --audio_file audio.wav --audio_file2 audio2.wav
$ wespeaker -p ResNet34_download_dir --task diarization --audio_file audio.wav

Python Programming Usage

import wespeaker

model = wespeaker.load_model_local(ResNet34_download_dir)
# set_gpu to enable the cuda inference, number < 0 means using CPU
model.set_gpu(0)

# embedding/embedding_kaldi/similarity/diarization
embedding = model.extract_embedding('audio.wav')
utt_names, embeddings = model.extract_embedding_list('wav.scp')
similarity = model.compute_similarity('audio1.wav', 'audio2.wav')
diar_result = model.diarize('audio.wav')

# register and recognize
model.register('spk1', 'spk1_audio1.wav')
model.register('spk2', 'spk2_audio1.wav')
model.register('spk3', 'spk3_audio1.wav')
result = model.recognize('spk1_audio2.wav')

Citation

@article{zeinali2019rvector,
  title={But system description to voxceleb speaker recognition challenge 2019},
  author={Zeinali, Hossein and Wang, Shuai and Silnova, Anna and Mat{\v{e}}jka, Pavel and Plchot, Old{\v{r}}ich},
  journal={arXiv preprint arXiv:1910.12592},
  year={2019}
}

@inproceedings{wang2023wespeaker,
  title={Wespeaker: A research and production oriented speaker embedding learning toolkit},
  author={Wang, Hongji and Liang, Chengdong and Wang, Shuai and Chen, Zhengyang and Zhang, Binbin and Xiang, Xu and Deng, Yanlei and Qian, Yanmin},
  booktitle={IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)},
  pages={1--5},
  year={2023},
  organization={IEEE}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Ревизия весов
f0c48c2

0 моделей