/ Модель

Характеристики

Параметры
403 млн
Архитектура
unispeech-sat · dense

unispeech-sat-large-sv

Языковая модель4 профессии

UniSpeech-SAT-Large — модель Microsoft для извлечения голосовых векторов и проверки личности говорящего по аудио.

329скачиваний за 30 дней6лайковвеса 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-Large for Speaker Verification — модель Microsoft для извлечения голосовых представлений и проверки личности говорящего. Это плотная архитектура UniSpeech-SAT с головой X-Vector; число параметров — около 402,9 млн. Модель предварительно обучалась на речи, а затем дообучалась на VoxCeleb1 с функцией потерь Additive Margin Softmax.

Модель предназначена для сравнения голосовых образцов и задач распознавания говорящего. На вход подаётся речевое аудио с частотой дискретизации 16 кГц; на выходе получаются векторы голоса, которые можно использовать для оценки сходства или проверки личности. Предобучение использовало Libri-Light, GigaSpeech и VoxPopuli. В метаданных указан английский язык.

Для работы нужна частота аудио 16 кГц. README не приводит численных результатов проверки качества или сведений о лицензии, поэтому их нельзя оценить по доступным данным.

Сценарии применения

  • проверка, принадлежат ли два аудиофрагмента одному человеку
  • извлечение голосовых векторов для сравнения говорящих
  • идентификация говорящего по речевой записи

Ограничения

Входная речь должна быть дискретизирована с частотой 16 кГц. В доступных материалах не приведены численные показатели качества и сведения о лицензии.

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-Large 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-large-sv')
model = UniSpeechSatForXVector.from_pretrained('microsoft/unispeech-sat-large-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
5448dec

0 моделей