/ Модель

Характеристики

Параметры
113 млн
Архитектура
unispeech-sat · dense

unispeech-sat-base

Языковая модель3 профессии

Базовая самоконтролируемая модель Microsoft для извлечения представлений английской речи и адаптации к задачам распознавания и анализа говорящих.

734скачиваний за 30 дней1лайквеса обновлены5 ноя 2021

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

UniSpeech-SAT-Base — базовая самоконтролируемая речевая модель Microsoft на архитектуре UniSpeech-SAT, представленная в Transformers как модель предварительного обучения. Она содержит 113,2 млн параметров и обучена на 960 часах английской речи из LibriSpeech с частотой дискретизации 16 кГц, используя контрастивные цели для представления высказываний и говорящих.

Модель предназначена для получения речевых представлений и адаптации к последующим задачам: распознаванию речи, классификации аудио, верификации и идентификации говорящего, а также диаризации. Для распознавания речи нужны токенизатор и дообучение на размеченных текстовых данных; сама модель предобучена только на аудио и не имеет токенизатора. Входной сигнал следует подавать с частотой 16 кГц. Карточка указывает на преимущественно английскую область применения, поэтому качество для других языков не гарантировано. Лицензия в предоставленных данных не указана.

Сценарии применения

  • подготовка представлений речи для последующего обучения классификатора аудио
  • дообучение для распознавания английской речи
  • адаптация к верификации личности говорящего
  • адаптация к идентификации говорящего
  • дообучение для диаризации речи

Ограничения

Для распознавания речи требуется создать или подключить токенизатор и дообучить модель на размеченных данных; входное аудио должно иметь частоту 16 кГц. Модель предобучена на английской речи, и карточка предупреждает, что хорошая работа ожидается главным образом для английского.

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

UniSpeech-SAT-Base

Microsoft's UniSpeech

The base model pretrained on 16kHz sampled speech audio with utterance and speaker contrastive loss. When using the model, make sure that your speech input is also sampled at 16kHz.

Note: This model does not have a tokenizer as it was pretrained on audio alone. In order to use this model speech recognition, a tokenizer should be created and the model should be fine-tuned on labeled text data. Check out this blog for more in-detail explanation of how to fine-tune the model.

The model was pre-trained on:

Paper: UNISPEECH-SAT: UNIVERSAL SPEECH REPRESENTATION LEARNING WITH SPEAKER AWARE PRE-TRAINING

Authors: Sanyuan Chen, Yu Wu, Chengyi Wang, Zhengyang Chen, Zhuo Chen, Shujie Liu, Jian Wu, Yao Qian, Furu Wei, Jinyu Li, Xiangzhan Yu

Abstract Self-supervised learning (SSL) is a long-standing goal for speech processing, since it utilizes large-scale unlabeled data and avoids extensive human labeling. Recent years witness great successes in applying self-supervised learning in speech recognition, while limited exploration was attempted in applying SSL for modeling speaker characteristics. In this paper, we aim to improve the existing SSL framework for speaker representation learning. Two methods are introduced for enhancing the unsupervised speaker information extraction. First, we apply the multi-task learning to the current SSL framework, where we integrate the utterance-wise contrastive loss with the SSL objective function. Second, for better speaker discrimination, we propose an utterance mixing strategy for data augmentation, where additional overlapped utterances are created unsupervisely and incorporate during training. We integrate the proposed methods into the HuBERT framework. Experiment results on SUPERB benchmark show that the proposed system achieves state-of-the-art performance in universal representation learning, especially for speaker identification oriented tasks. An ablation study is performed verifying the efficacy of each proposed method. Finally, we scale up training dataset to 94 thousand hours public audio data and achieve further performance improvement in all SUPERB tasks..

The original model can be found under https://github.com/microsoft/UniSpeech/tree/main/UniSpeech-SAT.

Usage

This is an English pre-trained speech model that has to be fine-tuned on a downstream task like speech recognition or audio classification before it can be used in inference. The model was pre-trained in English and should therefore perform well only in English. The model has been shown to work well on task such as speaker verification, speaker identification, and speaker diarization.

Note: The model was pre-trained on phonemes rather than characters. This means that one should make sure that the input text is converted to a sequence of phonemes before fine-tuning.

Speech Recognition

To fine-tune the model for speech recognition, see the official speech recognition example.

Speech Classification

To fine-tune the model for speech classification, see the official audio classification example.

Speaker Verification

TODO

Speaker Diarization

TODO

Contribution

The model was contributed by cywang and patrickvonplaten.

License

The official license can be found here

design

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
UniSpeechSatForPreTraining
Ревизия весов
ca01062

0 моделей