/ Модель

Характеристики

Параметры
113 млн
Архитектура
wavlm · dense

wavlm-base-plus

ЭмбеддингиТекст → embedding3 профессии

Предварительно обученная англоязычная модель Microsoft для извлечения признаков речи и последующего дообучения под задачи обработки аудио.

296 тыс.скачиваний за 30 дней45лайковвеса обновлены22 дек 2021

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки15

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • SIBFLEURS

    main_score

    Результат

    0,098

    Общий результат 0,2051Общий результат 0,1787Общий результат 0,1613
    MTEB

    Публичная таблицаревизия совпадает

  • VocalSound

    main_score

    Результат

    0,5563

    MTEB

    Публичная таблицаревизия совпадает

  • JamAltArtistA2ARetrieval

    main_score

    Результат

    0,7367

    MTEB

    Публичная таблицаревизия совпадает

  • VoxLingua107_Top10

    main_score

    Результат

    0,3384

    MTEB

    Публичная таблицаревизия совпадает

  • NMSQAPairClassification

    main_score

    Результат

    0,4842

    MTEB

    Публичная таблицаревизия совпадает

  • AmbientAcousticContext

    main_score

    Результат

    0,272

    MTEB

    Публичная таблицаревизия совпадает

  • VoxCelebSA

    main_score

    Результат

    0,303

    MTEB

    Публичная таблицаревизия совпадает

  • MInDS14

    main_score

    Результат

    0,1002

    Общий результат 0,1284Общий результат 0,1225Общий результат 0,1031
    MTEB

    Публичная таблицаревизия совпадает

  • CREMA_D

    main_score

    Результат

    0,3371

    MTEB

    Публичная таблицаревизия совпадает

  • VocalSoundPairClassification

    main_score

    Результат

    0,5351

    MTEB

    Публичная таблицаревизия совпадает

  • SpokeNEnglish

    main_score

    Результат

    0,9003

    MTEB

    Публичная таблицаревизия совпадает

  • VoxPopuliGenderClustering

    main_score

    Результат

    0,0003

    MTEB

    Публичная таблицаревизия совпадает

  • FSD50K

    main_score

    Результат

    0,2957

    MTEB

    Публичная таблицаревизия совпадает

  • BirdSet

    main_score

    Результат

    0,2742

    MTEB

    Публичная таблицаревизия совпадает

  • ESC50AudioReranking

    main_score

    Результат

    0,668

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

WavLM-Base-Plus — базовая модель Microsoft для извлечения речевых представлений из аудио. Это плотная Transformer-модель семейства WavLM с 113,3 млн параметров, построенная на основе подхода HuBERT. Она предварительно обучена на речевых аудиозаписях с частотой 16 кГц, в том числе на наборах Libri-Light, GigaSpeech и VoxPopuli.

Модель предназначена для извлечения признаков речи, которые можно использовать как основу для последующего дообучения под распознавание речи, классификацию аудио и другие задачи обработки речи. Она сохраняет информацию о произнесённом содержании и особенностях говорящего. Для распознавания речи требуется отдельно создать токенизатор и дообучить модель на размеченных текстовых данных. Карточка указывает, что модель рассчитана на английскую речь; входное аудио следует подавать с частотой 16 кГц.

Репозиторий содержит веса в формате PyTorch. Лицензия в предоставленных данных не указана, поэтому условия использования по ним определить нельзя. Модель не является готовой системой распознавания речи: без адаптации к целевой задаче она выдаёт аудиопризнаки, а качество для других языков карточкой не подтверждено.

Сценарии применения

  • извлечение признаков из речи для downstream-моделей
  • подготовка представлений аудио для классификации речи
  • дообучение модели для распознавания английской речи
  • использование речевых представлений в задачах анализа говорящего

Ограничения

Для распознавания речи нужны токенизатор и дообучение на размеченных текстовых данных. Модель ожидает аудио с частотой 16 кГц и, согласно карточке, рассчитана прежде всего на английский язык.

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

WavLM-Base-Plus

Microsoft's WavLM

The base model pretrained on 16kHz sampled speech audio. 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: WavLM: Large-Scale Self-Supervised Pre-Training for Full Stack Speech Processing

Authors: Sanyuan Chen, Chengyi Wang, Zhengyang Chen, Yu Wu, Shujie Liu, Zhuo Chen, Jinyu Li, Naoyuki Kanda, Takuya Yoshioka, Xiong Xiao, Jian Wu, Long Zhou, Shuo Ren, Yanmin Qian, Yao Qian, Jian Wu, Michael Zeng, Furu Wei

Abstract Self-supervised learning (SSL) achieves great success in speech recognition, while limited exploration has been attempted for other speech processing tasks. As speech signal contains multi-faceted information including speaker identity, paralinguistics, spoken content, etc., learning universal representations for all speech tasks is challenging. In this paper, we propose a new pre-trained model, WavLM, to solve full-stack downstream speech tasks. WavLM is built based on the HuBERT framework, with an emphasis on both spoken content modeling and speaker identity preservation. We first equip the Transformer structure with gated relative position bias to improve its capability on recognition tasks. For better speaker discrimination, we propose an utterance mixing training strategy, where additional overlapped utterances are created unsupervisely and incorporated during model training. Lastly, we scale up the training dataset from 60k hours to 94k hours. WavLM Large achieves state-of-the-art performance on the SUPERB benchmark, and brings significant improvements for various speech processing tasks on their representative benchmarks.

The original model can be found under https://github.com/microsoft/unilm/tree/master/wavlm.

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 the SUPERB benchmark.

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

Можно запустить

Подбираем GPU…

Класс архитектуры
WavLMModel
Ревизия весов
4c66d48

0 моделей