/ Модель

Характеристики

Параметры
18,9 млн
Лицензия
Apache 2.0
Архитектура
hubert · dense
Опубликована
2 мар 2022

distilhubert

ЭмбеддингиТекст → embedding3 профессии

Компактная модель NTU для извлечения речевых представлений из аудио 16 кГц и использования в последующих задачах обработки речи.

35 821скачиваний за 30 дней39лайковвеса обновлены24 июл 2023

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 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

DistilHuBERT — компактная модель для извлечения представлений из речи, разработанная лабораторией NTU Speech Processing & Machine Learning Lab. Она основана на HuBERT и обучена методом послойной дистилляции скрытых представлений; модель содержит 18,9 млн параметров и предназначена для обработки аудио с частотой дискретизации 16 кГц.

Модель предварительно обучена на аудио без текстовых меток и не содержит токенизатора. Её можно использовать как основу для задач обработки речи; для распознавания речи необходимо создать токенизатор и дообучить модель на размеченных текстовых данных. В статье авторы сообщают о сокращении размера HuBERT на 75% и ускорении в 73 раза при сохранении большей части качества на десяти задачах.

Модель работает с речевым аудио и выдаёт скрытые представления для последующих этапов обработки. Опубликована под лицензией Apache-2.0.

Сценарии применения

  • извлечение признаков из речевого аудио
  • получение представлений речи для последующей классификации
  • подготовка речевых представлений для дообучения распознавания речи

Ограничения

Ожидает речевой аудиосигнал с частотой 16 кГц и не имеет токенизатора. Для распознавания речи требуется создать токенизатор и дообучить модель на размеченных текстовых данных.

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

DistilHuBERT

DistilHuBERT by NTU Speech Processing & Machine Learning Lab

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.

Paper: DistilHuBERT: Speech Representation Learning by Layer-wise Distillation of Hidden-unit BERT

Authors: Heng-Jui Chang, Shu-wen Yang, Hung-yi Lee

Abstract Self-supervised speech representation learning methods like wav2vec 2.0 and Hidden-unit BERT (HuBERT) leverage unlabeled speech data for pre-training and offer good representations for numerous speech processing tasks. Despite the success of these methods, they require large memory and high pre-training costs, making them inaccessible for researchers in academia and small companies. Therefore, this paper introduces DistilHuBERT, a novel multi-task learning framework to distill hidden representations from a HuBERT model directly. This method reduces HuBERT's size by 75% and 73% faster while retaining most performance in ten different tasks. Moreover, DistilHuBERT required little training time and data, opening the possibilities of pre-training personal and on-device SSL models for speech.

The original model can be found under https://github.com/s3prl/s3prl/tree/master/s3prl/upstream/distiller .

Usage

See this blog for more information on how to fine-tune the model. Note that the class Wav2Vec2ForCTC has to be replaced by HubertForCTC.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
HubertModel
Ревизия весов
fa87d96

0 моделей