/ Модель

Характеристики

Лицензия
MIT
Архитектура
pyannet · dense
Базовая модель
segmentation-3.0
Опубликована
21 апр 2024

speaker-segmentation-fine-tuned-callhome-spa

Языковая модель5 профессий

Дообученная на испанских записях Callhome модель сегментации речи для определения активности и распределения речи по говорящим в задачах диаризации.

27скачиваний за 30 дней0лайковвеса обновлены25 апр 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 сегментации речи для диаризации, разработанная сообществом diarizers-community. Она дообучена на испаноязычной части датасета Callhome на основе pyannote/segmentation-3.0 и предназначена для определения речевой активности и сегментов, связанных с говорящими, в аудиозаписях. Её можно использовать через библиотеку diarizers или включить в конвейер диаризации pyannote.

На оценочном наборе указаны Loss 0,5198 и DER 0,1745; также приведены показатели ложных срабатываний, пропусков и ошибок идентификации говорящих. Модель распространяется в формате safetensors по лицензии MIT. Метаданные описывают базовую модель как сегментатор 10-секундных фрагментов, способный учитывать перекрывающуюся речь.

Сценарии применения

  • сегментация испанской речи по говорящим
  • определение речевой активности в записях Callhome
  • подготовка сегментов аудио для конвейера диаризации pyannote

Ограничения

Оценка приведена для набора Callhome; переносимость на другие языки и акустические условия не установлена. README не содержит подробных сведений об ограничениях и обучающих данных.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

speaker-segmentation-fine-tuned-callhome-spa

This model is a fine-tuned version of pyannote/segmentation-3.0 on the diarizers-community/callhome spa dataset. It achieves the following results on the evaluation set:

  • Loss: 0.5198
  • Der: 0.1745
  • False Alarm: 0.0739
  • Missed Detection: 0.0687
  • Confusion: 0.0319

Model description

This segmentation model has been trained on Spanish data (Callhome) using diarizers. It can be loaded with two lines of code:

from diarizers import SegmentationModel

segmentation_model = SegmentationModel().from_pretrained('diarizers-community/speaker-segmentation-fine-tuned-callhome-spa')

To use it within a pyannote speaker diarization pipeline, load the pyannote/speaker-diarization-3.1 pipeline, and convert the model to a pyannote compatible format:

from pyannote.audio import Pipeline
import torch

device = torch.device("cuda:0") if torch.cuda.is_available() else torch.device("cpu")


# load the pre-trained pyannote pipeline
pipeline = Pipeline.from_pretrained("pyannote/speaker-diarization-3.1")
pipeline.to(device)

# replace the segmentation model with your fine-tuned one
segmentation_model = segmentation_model.to_pyannote_model()
pipeline._segmentation.model = segmentation_model.to(device)

You can now use the pipeline on audio examples:

from datasets import load_dataset
# load dataset example
dataset = load_dataset("diarizers-community/callhome", "spa", split="data")
sample = dataset[0]["audio"]

# pre-process inputs
sample["waveform"] = torch.from_numpy(sample.pop("array")[None, :]).to(device, dtype=model.dtype)
sample["sample_rate"] = sample.pop("sampling_rate")

# perform inference
diarization = pipeline(sample)

# dump the diarization output to disk using RTTM format
with open("audio.rttm", "w") as rttm:
    diarization.write_rttm(rttm)

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.001
  • train_batch_size: 32
  • eval_batch_size: 32
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: cosine
  • num_epochs: 5.0

Training results

Training LossEpochStepValidation LossDerFalse AlarmMissed DetectionConfusion
0.6551.03820.53300.17990.06800.07560.0364
0.62932.07640.52160.17470.06620.07460.0339
0.61453.011460.52440.17700.07590.06860.0325
0.59564.015280.51850.17340.07320.06870.0315
0.59895.019100.51980.17450.07390.06870.0319

Framework versions

  • Transformers 4.40.0
  • Pytorch 2.2.2+cu121
  • Datasets 2.18.0
  • Tokenizers 0.19.1

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Класс архитектуры
SegmentationModel
Ревизия весов
702d3d1

0 моделей