/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
29 янв 2024

sepformer-libri4mix

Обработка аудиоАудио → аудио

SepFormer от SpeechBrain разделяет аудиозапись на дорожки четырёх говорящих и рассчитан на одноканальный звук с частотой 48 кГц.

184скачиваний за 30 дней4лайкавеса обновлены29 янв 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

SepFormer от SpeechBrain — модель разделения аудио, обученная на смеси Libri3Mix для разделения четырёх говорящих. Репозиторий содержит инструменты для запуска модели на аудиозаписях; в тесте Libri4Mix с частотой 48 кГц указаны SI-SNRi 8,88 дБ и SDRi 9,44 дБ.

Модель реализована на PyTorch с использованием SpeechBrain и архитектуры SepFormer. Она принимает одноканальный звук с частотой дискретизации 48 кГц и выдаёт разделённые аудиодорожки. Для входа с другой частотой дискретизации требуется предварительное пересэмплирование; для инференса можно использовать GPU.

В README указано, что качество на других наборах данных не гарантируется. Лицензия репозитория — Apache-2.0.

Сценарии применения

  • разделение записи с четырьмя одновременно говорящими
  • извлечение отдельных голосов из смешанной речи
  • разделение многоголосой аудиозаписи для последующей обработки

Ограничения

Ожидает одноканальный вход с частотой 48 кГц; записи с другой частотой нужно предварительно пересэмплировать. Разработчики не гарантируют качество на данных, отличных от использованного тестового набора.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SepFormer trained on Libri4Mix with 48khz sample rate

This repository provides all the necessary tools to perform audio source separation with a SepFormer model, implemented with SpeechBrain, and pretrained on Libri3Mix dataset. For a better experience we encourage you to learn more about SpeechBrain. The model performance is 8.88 dB SI-SNRi on the test set of Libri4Mix 48k dataset.

ReleaseTest-Set SI-SNRiTest-Set SDRi
29-01-248.88dB9.44dB

Install SpeechBrain

First of all, please install SpeechBrain with the following command:

!git clone https://github.com/hahmadraza/speechbrain_48k.git
%cd speechbrain_48k
!pip install -r requirements.txt
!pip install --editable .

Please notice that we encourage you to read our tutorials and learn more about SpeechBrain.

Perform source separation on your own audio file

from speechbrain.pretrained import SepformerSeparation as separator
import torchaudio

model = separator.from_hparams(source="hahmadraz/sepformer-libri4mix", savedir='pretrained_models/sepformer-libri4mix-48k/')

est_sources = model.separate_file(path='speechbrain/sepformer-wsj03mix/test_mixture_3spks.wav') 

torchaudio.save("source1hat.wav", est_sources[:, :, 0].detach().cpu(), 48000)
torchaudio.save("source2hat.wav", est_sources[:, :, 1].detach().cpu(), 48000)
torchaudio.save("source3hat.wav", est_sources[:, :, 2].detach().cpu(), 48000)
torchaudio.save("source4hat.wav", est_sources[:, :, 3].detach().cpu(), 48000)

The system expects input recordings sampled at 48kHz (single channel). If your signal has a different sample rate, resample it (e.g, using torchaudio or sox) before using the interface.

Inference on GPU

To perform inference on the GPU, add run_opts={"device":"cuda"} when calling the from_hparams method.

Training

The model was trained with SpeechBrain (fc2eabb7). To train it from scratch follows these steps:

  1. Clone SpeechBrain:
git clone https://github.com/speechbrain/speechbrain/
  1. Install it:
cd speechbrain
pip install -r requirements.txt
pip install -e .
  1. Run Training:
cd  recipes/LibriMix/separation
python train.py hparams/sepformer.yaml --data_folder=your_data_folder

Note: change num_spks to 4 in the yaml file.

You can find our training results (models, logs, etc) here.

Limitations

The SpeechBrain team does not provide any warranty on the performance achieved by this model when used on other datasets.

Referencing SpeechBrain

@misc{speechbrain,
  title={{SpeechBrain}: A General-Purpose Speech Toolkit},
  author={Mirco Ravanelli and Titouan Parcollet and Peter Plantinga and Aku Rouhe and Samuele Cornell and Loren Lugosch and Cem Subakan and Nauman Dawalatabad and Abdelwahab Heba and Jianyuan Zhong and Ju-Chieh Chou and Sung-Lin Yeh and Szu-Wei Fu and Chien-Feng Liao and Elena Rastorgueva and François Grondin and William Aris and Hwidong Na and Yan Gao and Renato De Mori and Yoshua Bengio},
  year={2021},
  eprint={2106.04624},
  archivePrefix={arXiv},
  primaryClass={eess.AS},
  note={arXiv:2106.04624}
}

Referencing SepFormer

@inproceedings{subakan2021attention,
      title={Attention is All You Need in Speech Separation}, 
      author={Cem Subakan and Mirco Ravanelli and Samuele Cornell and Mirko Bronzi and Jianyuan Zhong},
      year={2021},
      booktitle={ICASSP 2021}
}

@misc{subakan2022sepformer
  author = {Subakan, Cem and Ravanelli, Mirco and Cornell, Samuele and Grondin, Francois and Bronzi, Mirko},
  title = {On Using Transformers for Speech-Separation},
  year = {2022},
  copyright = {arXiv.org perpetual, non-exclusive license}
}

About SpeechBrain

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
feffb39

0 моделей