Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: wav2vec2 · dense
Опубликована: 29 мар 2022

Ссылки

Hugging Face

wav2vec2-base-finetuned-sentiment-classification-MESD

somosnlp-hackathon-2022

Классификация текстаТекст → label3 профессии

Модель классифицирует эмоциональную окраску испанской речи по аудио на базе Wav2Vec2.

183скачиваний за 30 дней10лайковвеса обновлены13 апр 2023

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

Это модель SomosNLP, дообученная на базе facebook/wav2vec2-base для классификации эмоциональной окраски испанской речи по аудио. Она использует архитектуру Wav2Vec2ForSequenceClassification; размер модели — 113,3 млн параметров. На тестовой выборке MESD указаны точность 0,9308 и потеря 0,3071. Модель подходит для анализа настроения в голосовых записях и классификации аудиоматериалов по эмоциональной окраске.

В README также описаны возможные сценарии подбора музыки и медиа по настроению и обнаружения звуковых событий при расширении набора классов. Однако исходная модель обучена именно на эмоциях в речи и не заявлена как детектор драк или других событий. MESD содержит около 1200 студийных записей длительностью примерно одну секунду; для обучения использовали 890 записей. Поэтому качество может снижаться на шумном аудио и при фоновой музыке, а класс «страх» распознаётся хуже остальных. Лицензия — Apache-2.0.

Сценарии применения

определение эмоций в коротких записях испанской речи
сортировка аудиозаписей по настроению говорящего
подбор медиа по эмоциональной окраске голосового сообщения

Ограничения

Обучение проводилось на небольшом наборе коротких студийных записей, поэтому шум, фоновая музыка и другие акустические условия могут ухудшить качество. Класс «страх» часто классифицируется неверно.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.9Универсальные способностиАудио и музыкаAI помогает анализировать, очищать, преобразовывать и создавать звук и музыку.15 задач4 835моделей I.12Универсальные способностиРекомендации и персонализацияAI помогает подбирать релевантные варианты и адаптировать опыт под конкретного человека или ситуацию.15 задач7 627моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

wav2vec2-base-finetuned-sentiment-mesd-v11

This model is a fine-tuned version of facebook/wav2vec2-base on the MESD dataset. It achieves the following results on the evaluation set:

Loss: 0.3071
Accuracy: 0.9308

Model description

This model was trained to classify underlying sentiment of Spanish audio/speech.

Intended uses

Presenting, recommending and categorizing the audio libraries or other media in general based on detected mood/preferences via user's speech or user's aural environment. A mood lighting system, in addition to the aforementioned features, can be implemented to make user's environment a bit more user-friendly, and and so contribute a little to maintaining the user's mental health and overall welfare. [Goal 3- SDG]
Additionally, the model can be trained on data with more class labels in order to be useful particularly in detecting brawls, and any other uneventful scenario. An audio classifier can be integrated in a surveillance system to detect brawls and other unsettling events that can be recognized using "sound." [Goal 16 -SDG]

Limitations

-The open-source MESD dataset was used to fine-tune the Wav2Vec2 base model, which contains ~1200 audio recordings, all of which were recorded in professional studios and were only one second long. Out of ~1200 audio recordings only 890 of the recordings were utilized for training. Due to these factors, the model and hence this Gradio application may not be able to perform well in noisy environments or audio with background music or noise. It's also worth mentioning that this model performs poorly when it comes to audio recordings from the class "Fear," which the model often misclassifies.

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 0.0001
train_batch_size: 64
eval_batch_size: 40
seed: 42
gradient_accumulation_steps: 4
total_train_batch_size: 256
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 100

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
No log	0.86	3	1.7516	0.3846
1.9428	1.86	6	1.6859	0.4308
1.9428	2.86	9	1.5575	0.4692
1.9629	3.86	12	1.4160	0.4846
1.5678	4.86	15	1.2979	0.5308
1.5678	5.86	18	1.2294	0.5308
1.4728	6.86	21	1.0703	0.5923
1.4728	7.86	24	0.9926	0.6308
1.2588	8.86	27	0.9202	0.6846
0.991	9.86	30	0.8537	0.6846
0.991	10.86	33	0.8816	0.6769
0.9059	11.86	36	0.7149	0.7769
0.9059	12.86	39	0.7676	0.7462
0.7901	13.86	42	0.6971	0.7538
0.6278	14.86	45	0.6671	0.7923
0.6278	15.86	48	0.5681	0.8231
0.5678	16.86	51	0.5535	0.8154
0.5678	17.86	54	0.5947	0.8077
0.5157	18.86	57	0.6396	0.7692
0.4189	19.86	60	0.5291	0.8077
0.4189	20.86	63	0.4600	0.8538
0.3885	21.86	66	0.5188	0.8308
0.3885	22.86	69	0.5959	0.7923
0.3255	23.86	72	0.5240	0.8462
0.2711	24.86	75	0.5105	0.8385
0.2711	25.86	78	0.5177	0.8231
0.2748	26.86	81	0.3302	0.8923
0.2748	27.86	84	0.4774	0.8538
0.2379	28.86	87	0.4204	0.8769
0.1982	29.86	90	0.6540	0.7692
0.1982	30.86	93	0.5664	0.8308
0.2171	31.86	96	0.5100	0.8462
0.2171	32.86	99	0.3924	0.8769
0.17	33.86	102	0.6002	0.8231
0.1761	34.86	105	0.4364	0.8538
0.1761	35.86	108	0.4166	0.8692
0.1703	36.86	111	0.4374	0.8692
0.1703	37.86	114	0.3872	0.8615
0.1569	38.86	117	0.3941	0.8538
0.1149	39.86	120	0.4004	0.8538
0.1149	40.86	123	0.4360	0.8385
0.1087	41.86	126	0.4387	0.8615
0.1087	42.86	129	0.4352	0.8692
0.1039	43.86	132	0.4018	0.8846
0.099	44.86	135	0.4019	0.8846
0.099	45.86	138	0.4083	0.8923
0.1043	46.86	141	0.4594	0.8692
0.1043	47.86	144	0.4478	0.8769
0.0909	48.86	147	0.5025	0.8538
0.1024	49.86	150	0.5442	0.8692
0.1024	50.86	153	0.3827	0.8769
0.1457	51.86	156	0.6816	0.8231
0.1457	52.86	159	0.3435	0.8923
0.1233	53.86	162	0.4418	0.8769
0.101	54.86	165	0.4629	0.8846
0.101	55.86	168	0.4616	0.8692
0.0969	56.86	171	0.3608	0.8923
0.0969	57.86	174	0.4867	0.8615
0.0981	58.86	177	0.4493	0.8692
0.0642	59.86	180	0.3841	0.8538
0.0642	60.86	183	0.4509	0.8769
0.0824	61.86	186	0.4477	0.8769
0.0824	62.86	189	0.4649	0.8615
0.0675	63.86	192	0.3492	0.9231
0.0839	64.86	195	0.3763	0.8846
0.0839	65.86	198	0.4475	0.8769
0.0677	66.86	201	0.4104	0.8923
0.0677	67.86	204	0.3071	0.9308
0.0626	68.86	207	0.3598	0.9077
0.0412	69.86	210	0.3771	0.8923
0.0412	70.86	213	0.4043	0.8846
0.0562	71.86	216	0.3696	0.9077
0.0562	72.86	219	0.3295	0.9077
0.0447	73.86	222	0.3616	0.8923
0.0727	74.86	225	0.3495	0.8923
0.0727	75.86	228	0.4330	0.8846
0.0576	76.86	231	0.5179	0.8923
0.0576	77.86	234	0.5544	0.8846
0.0489	78.86	237	0.4630	0.9
0.0472	79.86	240	0.4513	0.9
0.0472	80.86	243	0.4207	0.9077
0.0386	81.86	246	0.4118	0.8769
0.0386	82.86	249	0.4764	0.8769
0.0372	83.86	252	0.4167	0.8769
0.0344	84.86	255	0.3744	0.9077
0.0344	85.86	258	0.3712	0.9077
0.0459	86.86	261	0.4249	0.8846
0.0459	87.86	264	0.4687	0.8846
0.0364	88.86	267	0.4194	0.8923
0.0283	89.86	270	0.3963	0.8923
0.0283	90.86	273	0.3982	0.8923
0.0278	91.86	276	0.3838	0.9077
0.0278	92.86	279	0.3731	0.9
0.0352	93.86	282	0.3736	0.9
0.0297	94.86	285	0.3702	0.9
0.0297	95.86	288	0.3521	0.9154
0.0245	96.86	291	0.3522	0.9154
0.0245	97.86	294	0.3600	0.9077
0.0241	98.86	297	0.3636	0.9077
0.0284	99.86	300	0.3639	0.9077

Framework versions

Transformers 4.17.0
Pytorch 1.10.0+cu111
Datasets 2.0.0
Tokenizers 0.11.6

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Нельзя запустить

Для архитектуры wav2vec2 нет загрузчика под задачу text-classification.

Класс архитектуры: Wav2Vec2ForSequenceClassification
Ревизия весов: 752f366