/ Модель

Характеристики

Размер весов
5,8 ГБ
Лицензия
Apache 2.0
Архитектура
custom_model · dense
Библиотека
transformers
Опубликована
20 июн 2024

speechllm-1.5B

ЭмбеддингиТекст → embedding5 профессий

Мультимодальная модель Skit AI анализирует англоязычную речь, создавая расшифровку и оценивая характеристики и эмоцию говорящего.

34скачиваний за 30 дней8лайковвеса обновлены25 июн 2024

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

SpeechLLM-1.5B — мультимодальная модель Skit AI для анализа аудиореплик в разговоре. Она принимает речь и предсказывает наличие речевой активности, текстовую расшифровку, а также категории пола, возраста, акцента и эмоции говорящего. В карточке описана версия размером 1,5 млрд параметров, дообученная на базе WavLM и TinyLlama с адаптерами; архитектура указана как SpeechLLMModel. В метаданных Hugging Face основной тег задачи — feature-extraction, а файлы представлены в формате safetensors.

Модель рассчитана на англоязычную речь. В опубликованных результатах для LibriSpeech указана частота ошибок распознавания слов 11,51% на test-clean и 16,68% на test-other; на Common Voice точность определения возраста составляет 64,98%, акцента — 81,21%, пола — 94,76%. Эти результаты относятся к указанным наборам данных и не гарантируют такую же точность на других записях. Лицензия — Apache-2.0.

Сценарии применения

  • расшифровка англоязычных аудиореплик
  • определение наличия речи в аудиозаписи
  • классификация эмоции говорящего
  • оценка возрастной категории говорящего
  • определение категории акцента и пола говорящего

Ограничения

Оценки точности приведены только для указанных тестовых наборов; качество на других акцентах, условиях записи и языках может отличаться. Определение возраста, пола и эмоции даёт категориальные прогнозы и не подтверждено в карточке как надёжное для любых сценариев.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SpeechLLM

github Code License Open in Colab

SpeechLLM is a multi-modal LLM trained to predict the metadata of the speaker's turn in a conversation. speechllm-2B model is based on HubertX audio encoder and TinyLlama LLM. The model predicts the following:

  1. SpeechActivity : if the audio signal contains speech (True/False)
  2. Transcript : ASR transcript of the audio
  3. Gender of the speaker (Female/Male)
  4. Age of the speaker (Young/Middle-Age/Senior)
  5. Accent of the speaker (Africa/America/Celtic/Europe/Oceania/South-Asia/South-East-Asia)
  6. Emotion of the speaker (Happy/Sad/Anger/Neutral/Frustrated)

Usage

# Load model directly from huggingface
from transformers import AutoModel
model = AutoModel.from_pretrained("skit-ai/speechllm-1.5B", trust_remote_code=True)

model.generate_meta(
	audio_path="path-to-audio.wav", #16k Hz, mono
    audio_tensor=torchaudio.load("path-to-audio.wav")[1], # [Optional] either audio_path or audio_tensor directly
	instruction="Give me the following information about the audio [SpeechActivity, Transcript, Gender, Emotion, Age, Accent]",
	max_new_tokens=500, 
	return_special_tokens=False
)

# Model Generation
'''
{
  "SpeechActivity" : "True",
  "Transcript": "Yes, I got it. I'll make the payment now.",
  "Gender": "Female",
  "Emotion": "Neutral",
  "Age": "Young",
  "Accent" : "America",
}
'''

Try the model in Google Colab Notebook. Also, check out our blog on SpeechLLM for end-to-end conversational agents(User Speech -> Response).

Model Details

  • Developed by: Skit AI
  • Authors: Shangeth Rajaa, Abhinav Tushar
  • Language: English
  • Finetuned from model: WavLM, TinyLlama
  • Model Size: 1.5 B
  • Checkpoint: 1200 k steps (bs=1)
  • Adapters: r=8, alpha=16
  • lr : 1e-4
  • gradient accumulation steps: 8

Checkpoint Result

DatasetTypeWord Error RateGender AccAge AccAccent Acc
librispeech-test-cleanRead Speech11.510.9594
librispeech-test-otherRead Speech16.680.9297
CommonVoice testDiverse Accent, Age26.020.94760.64980.8121

Cite

@misc{Rajaa_SpeechLLM_Multi-Modal_LLM,
author = {Rajaa, Shangeth and Tushar, Abhinav},
title = {{SpeechLLM: Multi-Modal LLM for Speech Understanding}},
url = {https://github.com/skit-ai/SpeechLLM}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
SpeechLLMModel
Ревизия весов
f4e64ad

0 моделей