/ Модель

Характеристики

Параметры
1,3 млрд
Лицензия
CC BY-NC 4.0
Архитектура
wav2vec2 · dense
Опубликована
13 июн 2023

mms-lid-512

Классификация текстаТекст → label7 профессий

Многоязычная модель на базе Wav2Vec2 определяет язык речи в аудио среди 512 языков.

13 226скачиваний за 30 дней3лайкавеса обновлены13 июн 2023

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

facebook/mms-lid-512 — модель распознавания языка речи из проекта Massively Multilingual Speech, разработанного Vineel Pratap и коллегами в Facebook. Это дообученная на 512 языках версия facebook/mms-1b на архитектуре Wav2Vec2: она принимает аудио и распределяет вероятности по 512 классам языков, помогая определить, на каком языке говорят. Для работы ожидается аудио с частотой дискретизации 16 кГц.

Модель подходит для автоматической идентификации языка в аудиозаписях и как начальный этап многоязычных речевых конвейеров. В карточке указана лицензия CC-BY-NC 4.0, которая ограничивает коммерческое использование. Модель предназначена для классификации языка речи, а не для транскрибирования или перевода аудио.

Сценарии применения

  • определение языка в короткой аудиозаписи
  • маршрутизация аудио в соответствующую систему распознавания речи
  • автоматическая сортировка голосовых обращений по языку
  • определение языка речи в многоязычном аудиоархиве

Ограничения

Модель классифицирует входное аудио по языкам и не предназначена для выдачи транскрипции. Лицензия CC-BY-NC 4.0 не разрешает коммерческое использование.

Для каких профессий подходит7

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

Massively Multilingual Speech (MMS) - Finetuned LID

This checkpoint is a model fine-tuned for speech language identification (LID) and part of Facebook's Massive Multilingual Speech project. This checkpoint is based on the Wav2Vec2 architecture and classifies raw audio input to a probability distribution over 512 output classes (each class representing a language). The checkpoint consists of 1 billion parameters and has been fine-tuned from facebook/mms-1b on 512 languages.

Table Of Content

Example

This MMS checkpoint can be used with Transformers to identify the spoken language of an audio. It can recognize the following 512 languages.

Let's look at a simple example.

First, we install transformers and some other libraries

pip install torch accelerate torchaudio datasets
pip install --upgrade transformers

Note: In order to use MMS you need to have at least transformers >= 4.30 installed. If the 4.30 version is not yet available on PyPI make sure to install transformers from source:

pip install git+https://github.com/huggingface/transformers.git

Next, we load a couple of audio samples via datasets. Make sure that the audio data is sampled to 16000 kHz.

from datasets import load_dataset, Audio

# English
stream_data = load_dataset("mozilla-foundation/common_voice_13_0", "en", split="test", streaming=True)
stream_data = stream_data.cast_column("audio", Audio(sampling_rate=16000))
en_sample = next(iter(stream_data))["audio"]["array"]

# Arabic
stream_data = load_dataset("mozilla-foundation/common_voice_13_0", "ar", split="test", streaming=True)
stream_data = stream_data.cast_column("audio", Audio(sampling_rate=16000))
ar_sample = next(iter(stream_data))["audio"]["array"]

Next, we load the model and processor

from transformers import Wav2Vec2ForSequenceClassification, AutoFeatureExtractor
import torch

model_id = "facebook/mms-lid-512"

processor = AutoFeatureExtractor.from_pretrained(model_id)
model = Wav2Vec2ForSequenceClassification.from_pretrained(model_id)

Now we process the audio data, pass the processed audio data to the model to classify it into a language, just like we usually do for Wav2Vec2 audio classification models such as ehcalabres/wav2vec2-lg-xlsr-en-speech-emotion-recognition

# English
inputs = processor(en_sample, sampling_rate=16_000, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs).logits

lang_id = torch.argmax(outputs, dim=-1)[0].item()
detected_lang = model.config.id2label[lang_id]
# 'eng'

# Arabic
inputs = processor(ar_sample, sampling_rate=16_000, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs).logits

lang_id = torch.argmax(outputs, dim=-1)[0].item()
detected_lang = model.config.id2label[lang_id]
# 'ara'

To see all the supported languages of a checkpoint, you can print out the language ids as follows:

processor.id2label.values()

For more details, about the architecture please have a look at the official docs.

Supported Languages

This model supports 512 languages. Unclick the following to toogle all supported languages of this checkpoint in ISO 639-3 code. You can find more details about the languages and their ISO 649-3 codes in the MMS Language Coverage Overview.

  • ara
  • cmn
  • eng
  • spa
  • fra
  • mlg
  • swe
  • por
  • vie
  • ful
  • sun
  • asm
  • ben
  • zlm
  • kor
  • ind
  • hin
  • tuk
  • urd
  • aze
  • slv
  • mon
  • hau
  • tel
  • swh
  • bod
  • rus
  • tur
  • heb
  • mar
  • som
  • tgl
  • tat
  • tha
  • cat
  • ron
  • mal
  • bel
  • pol
  • yor
  • nld
  • bul
  • hat
  • afr
  • isl
  • amh
  • tam
  • hun
  • hrv
  • lit
  • cym
  • fas
  • mkd
  • ell
  • bos
  • deu
  • sqi
  • jav
  • kmr
  • nob
  • uzb
  • snd
  • lat
  • nya
  • grn
  • mya
  • orm
  • lin
  • hye
  • yue
  • pan
  • jpn
  • kaz
  • npi
  • kik
  • kat
  • guj
  • kan
  • tgk
  • ukr
  • ces
  • lav
  • bak
  • khm
  • cak
  • fao
  • glg
  • ltz
  • xog
  • lao
  • mlt
  • sin
  • aka
  • sna
  • che
  • mam
  • ita
  • quc
  • srp
  • mri
  • tuv
  • nno
  • pus
  • eus
  • kbp
  • ory
  • lug
  • bre
  • luo
  • nhx
  • slk
  • ewe
  • fin
  • rif
  • dan
  • yid
  • yao
  • mos
  • quh
  • hne
  • xon
  • new
  • quy
  • est
  • dyu
  • ttq
  • bam
  • pse
  • uig
  • sck
  • ngl
  • tso
  • mup
  • dga
  • seh
  • lis
  • wal
  • ctg
  • bfz
  • bxk
  • ceb
  • kru
  • war
  • khg
  • bbc
  • thl
  • vmw
  • zne
  • sid
  • tpi
  • nym
  • bgq
  • bfy
  • hlb
  • teo
  • fon
  • kfx
  • bfa
  • mag
  • ayr
  • any
  • mnk
  • adx
  • ava
  • hyw
  • san
  • kek
  • chv
  • kri
  • btx
  • nhy
  • dnj
  • lon
  • men
  • ium
  • nga
  • nsu
  • prk
  • kir
  • bom
  • run
  • hwc
  • mnw
  • ubl
  • kin
  • rkt
  • xmm
  • iba
  • gux
  • ses
  • wsg
  • tir
  • gbm
  • mai
  • nyy
  • nan
  • nyn
  • gog
  • ngu
  • hoc
  • nyf
  • sus
  • bcc
  • hak
  • grt
  • suk
  • nij
  • kaa
  • bem
  • rmy
  • nus
  • ach
  • awa
  • dip
  • rim
  • nhe
  • pcm
  • kde
  • tem
  • quz
  • bba
  • kbr
  • taj
  • dik
  • dgo
  • bgc
  • xnr
  • kac
  • laj
  • dag
  • ktb
  • mgh
  • shn
  • oci
  • zyb
  • alz
  • wol
  • guw
  • nia
  • bci
  • sba
  • kab
  • nnb
  • ilo
  • mfe
  • xpe
  • bcl
  • haw
  • mad
  • ljp
  • gmv
  • nyo
  • kxm
  • nod
  • sag
  • sas
  • myx
  • sgw
  • mak
  • kfy
  • jam
  • lgg
  • nhi
  • mey
  • sgj
  • hay
  • pam
  • heh
  • nhw
  • yua
  • shi
  • mrw
  • hil
  • pag
  • cce
  • npl
  • ace
  • kam
  • min
  • pko
  • toi
  • ncj
  • umb
  • hno
  • ban
  • syl
  • bxg
  • nse
  • xho
  • mkw
  • nch
  • mas
  • bum
  • mww
  • epo
  • tzm
  • zul
  • lrc
  • ibo
  • abk
  • azz
  • guz
  • ksw
  • lus
  • ckb
  • mer
  • pov
  • rhg
  • knc
  • tum
  • nso
  • bho
  • ndc
  • ijc
  • qug
  • lub
  • srr
  • mni
  • zza
  • dje
  • tiv
  • gle
  • lua
  • swk
  • ada
  • lic
  • skr
  • mfa
  • bto
  • unr
  • hdy
  • kea
  • glk
  • ast
  • nup
  • sat
  • ktu
  • bhb
  • sgc
  • dks
  • ncl
  • emk
  • urh
  • tsc
  • idu
  • igb
  • its
  • kng
  • kmb
  • tsn
  • bin
  • gom
  • ven
  • sef
  • sco
  • trp
  • glv
  • haq
  • kha
  • rmn
  • sot
  • sou
  • gno
  • igl
  • efi
  • nde
  • rki
  • kjg
  • fan
  • wci
  • bjn
  • pmy
  • bqi
  • ina
  • hni
  • the
  • nuz
  • ajg
  • ymm
  • fmu
  • nyk
  • snk
  • esg
  • thq
  • pht
  • wes
  • pnb
  • phr
  • mui
  • tkt
  • bug
  • mrr
  • kas
  • zgb
  • lir
  • vah
  • ssw
  • iii
  • brx
  • rwr
  • kmc
  • dib
  • pcc
  • zyn
  • hea
  • hms
  • thr
  • wbr
  • bfb
  • wtm
  • blk
  • dhd
  • swv
  • zzj
  • niq
  • mtr
  • gju
  • kjp
  • haz
  • shy
  • nbl
  • aii
  • sjp
  • bns
  • brh
  • msi
  • tsg
  • tcy
  • kbl
  • noe
  • tyz
  • ahr
  • aar
  • wuu
  • kbd
  • bca
  • pwr
  • hsn
  • kua
  • tdd
  • bgp
  • abs
  • zlj
  • ebo
  • bra
  • nhp
  • tts
  • zyj
  • lmn
  • cqd
  • dcc
  • cjk
  • bfr
  • bew
  • arg
  • drs
  • chw
  • bej
  • bjj
  • ibb
  • tig
  • nut
  • jax
  • tdg
  • nlv
  • pch
  • fvr
  • mlq
  • kfr
  • nhn
  • tji
  • hoj
  • cpx
  • cdo
  • bgn
  • btm
  • trf
  • daq
  • max
  • nba
  • mut
  • hnd
  • ryu
  • abr
  • sop
  • odk
  • nap
  • gbr
  • czh
  • vls
  • gdx
  • yaf
  • sdh
  • anw
  • ttj
  • nhg
  • cgg
  • ifm
  • mdh
  • scn
  • lki
  • luz
  • stv
  • kmz
  • nds
  • mtq
  • knn
  • mnp
  • bar
  • mzn
  • gsw
  • fry

Model details

  • Developed by: Vineel Pratap et al.

  • Model type: Multi-Lingual Automatic Speech Recognition model

  • Language(s): 512 languages, see supported languages

  • License: CC-BY-NC 4.0 license

  • Num parameters: 1 billion

  • Audio sampling rate: 16,000 kHz

  • Cite as:

    @article{pratap2023mms,
      title={Scaling Speech Technology to 1,000+ Languages},
      author={Vineel Pratap and Andros Tjandra and Bowen Shi and Paden Tomasello and Arun Babu and Sayani Kundu and Ali Elkahky and Zhaoheng Ni and Apoorv Vyas and Maryam Fazel-Zarandi and Alexei Baevski and Yossi Adi and Xiaohui Zhang and Wei-Ning Hsu and Alexis Conneau and Michael Auli},
    journal={arXiv},
    year={2023}
    }
    

Additional Links

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Нельзя запустить

Для архитектуры wav2vec2 нет загрузчика под задачу text-classification.

Класс архитектуры
Wav2Vec2ForSequenceClassification
Ревизия весов
e537f7f

0 моделей