/ Модель

Характеристики

Параметры
113 млн
Архитектура
unispeech-sat · dense

unispeech-sat-base-plus-sv

Языковая модель4 профессии

Модель Microsoft на основе UniSpeech-SAT извлекает голосовые представления для проверки личности говорящего по аудио.

5 901скачиваний за 30 дней3лайкавеса обновлены17 дек 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-Plus-SV — модель Microsoft для проверки личности говорящего по аудио. Она основана на архитектуре UniSpeech-SAT и содержит около 113,3 млн параметров; для представления речи использует X-Vector-голову. Модель предварительно обучена на речевых корпусах Libri-Light, GigaSpeech и VoxPopuli, а затем дообучена на VoxCeleb1 с функцией потерь Additive Margin Softmax.

Модель принимает речевые записи с частотой дискретизации 16 кГц и предназначена для извлечения признаков голоса и сравнения говорящих, например при проверке, принадлежат ли две записи одному человеку. Карточка указывает английский язык. Лицензия в предоставленных сведениях не указана.

Сценарии применения

  • проверка, принадлежат ли две речевые записи одному человеку
  • сопоставление голоса с эталонной записью
  • извлечение голосовых векторов для системы распознавания говорящего

Ограничения

Входная речь должна иметь частоту дискретизации 16 кГц. Указанные в карточке данные обучения и языковые сведения ограничены англоязычными речевыми корпусами.

Для каких профессий подходит4

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 for Speaker Verification

Microsoft's UniSpeech

The model was 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.

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.

Fine-tuning details

The model is fine-tuned on the VoxCeleb1 dataset using an X-Vector head with an Additive Margin Softmax loss

X-Vectors: Robust DNN Embeddings for Speaker Recognition

Usage

Speaker Verification

from transformers import Wav2Vec2FeatureExtractor, UniSpeechSatForXVector
from datasets import load_dataset
import torch

dataset = load_dataset("hf-internal-testing/librispeech_asr_demo", "clean", split="validation")

feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained('microsoft/unispeech-sat-base-plus-sv')
model = UniSpeechSatForXVector.from_pretrained('microsoft/unispeech-sat-base-plus-sv')

# audio files are decoded on the fly
inputs = feature_extractor(dataset[:2]["audio"]["array"], return_tensors="pt")
embeddings = model(**inputs).embeddings
embeddings = torch.nn.functional.normalize(embeddings, dim=-1).cpu()

# the resulting embeddings can be used for cosine similarity-based retrieval
cosine_sim = torch.nn.CosineSimilarity(dim=-1)
similarity = cosine_sim(embeddings[0], embeddings[1])
threshold = 0.89  # the optimal threshold is dataset-dependent
if similarity < threshold:
    print("Speakers are not the same!")

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
UniSpeechSatForXVector
Ревизия весов
a492b4b

0 моделей