/ Модель

Характеристики

Размер весов
8,4 ГБ
Лицензия
Apache 2.0
Архитектура
custom_model · dense
Библиотека
transformers
Опубликована
4 июн 2024

speechllm-2B

ЭмбеддингиТекст → embedding4 профессии

Мультимодальная модель Skit AI анализирует речь в аудио, распознаёт её текст и предсказывает характеристики говорящего и его эмоциональное состояние.

63скачиваний за 30 дней18лайковвеса 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-2B — мультимодальная модель Skit AI для анализа аудио речи в разговоре. Она объединяет аудиоэнкодер HubertX и языковую модель TinyLlama; общий размер модели составляет 2,1 млрд параметров. Модель дообучена на основе этих компонентов с адаптерами и принимает аудио, а также формирует текстовые предсказания о речевом фрагменте.

Модель определяет наличие речи, распознаёт её текст, а также классифицирует пол говорящего, возрастную группу, широкий регион акцента и эмоцию. В карточке указаны английский язык и результаты на LibriSpeech и Common Voice; показатели на Common Voice ниже, чем на тестовых наборах LibriSpeech, особенно для распознавания текста. Метаданные Hugging Face задают задачу feature-extraction. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • проверка наличия речи в аудиофрагменте
  • расшифровка английской речи
  • определение пола и возрастной группы говорящего
  • классификация широкого региона акцента
  • определение эмоции говорящего

Ограничения

Карточка приводит результаты лишь для отдельных наборов LibriSpeech и Common Voice; точность определения возраста и акцента на Common Voice составляет 0,6041 и 0,6959 соответственно. Поддержка заявлена для английского языка.

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

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-2B", 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: HubertX, TinyLlama
  • Model Size: 2.1 B
  • Checkpoint: 2000 k steps (bs=1)
  • Adapters: r=4, alpha=8
  • lr : 1e-4
  • gradient accumulation steps: 8

Checkpoint Result

DatasetTypeWord Error RateGender AccAge AccAccent Acc
librispeech-test-cleanRead Speech6.730.9496
librispeech-test-otherRead Speech9.130.9217
CommonVoice testDiverse Accent, Age25.660.86800.60410.6959

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
9b1c701

0 моделей