/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
16 сен 2022

sepformer-libri2mix

Обработка аудиоАудио → аудио3 профессии

SepFormer от SpeechBrain разделяет монофоническую запись с двумя говорящими на отдельные речевые аудиосигналы.

3 499скачиваний за 30 дней9лайковвеса обновлены25 фев 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

SepFormer — модель разделения аудиоисточников, разработанная командой SpeechBrain и обученная на Libri2Mix. Она предназначена для разделения записи с двумя одновременно говорящими людьми на отдельные речевые сигналы; модель реализована на PyTorch с архитектурой SepFormer на основе Transformer.

Модель принимает монофоническое аудио с частотой дискретизации 8 кГц и выдаёт разделённые аудиосигналы. На тестовой выборке Libri2Mix указаны SI-SNRi 20,6 дБ и SDRi 20,9 дБ. Карточка приводит английский язык и набор данных Libri2Mix. Лицензия — Apache-2.0.

Результаты на других наборах данных не гарантируются, поэтому качество разделения на записях с иными условиями может отличаться.

Сценарии применения

  • разделение речи двух одновременно говорящих людей
  • выделение отдельных голосов из смешанной записи
  • подготовка речевых дорожек для последующей транскрибации
  • разделение речи в аудиозаписях с частотой 8 кГц

Ограничения

Для интерфейса ожидается монофонический вход с частотой 8 кГц; аудио с другой частотой нужно предварительно пересэмплировать. Разработчики не гарантируют качество на наборах данных, отличных от Libri2Mix.

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

SepFormer trained on Libri2Mix

This repository provides all the necessary tools to perform audio source separation with a SepFormer model, implemented with SpeechBrain, and pretrained on Libri2Mix dataset. For a better experience we encourage you to learn more about SpeechBrain. The model performance is 20.6 dB on the test set of Libri2Mix dataset.

ReleaseTest-Set SI-SNRiTest-Set SDRi
16-09-2220.6dB20.9dB

You can listen to example results obtained on the test set of WSJ0-2/3Mix through here.

Install SpeechBrain

First of all, please install SpeechBrain with the following command:

pip install speechbrain

Please notice that we encourage you to read our tutorials and learn more about SpeechBrain.

Perform source separation on your own audio file

from speechbrain.pretrained import SepformerSeparation as separator
import torchaudio

model = separator.from_hparams(source="speechbrain/sepformer-libri2mix", savedir='pretrained_models/sepformer-libri2mix')

# for custom file, change path
est_sources = model.separate_file(path='speechbrain/sepformer-wsj02mix/test_mixture.wav') 

torchaudio.save("source1hat.wav", est_sources[:, :, 0].detach().cpu(), 8000)
torchaudio.save("source2hat.wav", est_sources[:, :, 1].detach().cpu(), 8000)

The system expects input recordings sampled at 8kHz (single channel). If your signal has a different sample rate, resample it (e.g, using torchaudio or sox) before using the interface.

Inference on GPU

To perform inference on the GPU, add run_opts={"device":"cuda"} when calling the from_hparams method.

Training

The model was trained with SpeechBrain (fc2eabb7). To train it from scratch follows these steps:

  1. Clone SpeechBrain:
git clone https://github.com/speechbrain/speechbrain/
  1. Install it:
cd speechbrain
pip install -r requirements.txt
pip install -e .
  1. Run Training:
cd  recipes/Libri2Mix/separation
python train.py hparams/sepformer.yaml --data_folder=your_data_folder

You can find our training results (models, logs, etc) here.

Limitations

The SpeechBrain team does not provide any warranty on the performance achieved by this model when used on other datasets.

Referencing SpeechBrain

@misc{speechbrain,
  title={{SpeechBrain}: A General-Purpose Speech Toolkit},
  author={Mirco Ravanelli and Titouan Parcollet and Peter Plantinga and Aku Rouhe and Samuele Cornell and Loren Lugosch and Cem Subakan and Nauman Dawalatabad and Abdelwahab Heba and Jianyuan Zhong and Ju-Chieh Chou and Sung-Lin Yeh and Szu-Wei Fu and Chien-Feng Liao and Elena Rastorgueva and François Grondin and William Aris and Hwidong Na and Yan Gao and Renato De Mori and Yoshua Bengio},
  year={2021},
  eprint={2106.04624},
  archivePrefix={arXiv},
  primaryClass={eess.AS},
  note={arXiv:2106.04624}
}

Referencing SepFormer

@inproceedings{subakan2021attention,
      title={Attention is All You Need in Speech Separation}, 
      author={Cem Subakan and Mirco Ravanelli and Samuele Cornell and Mirko Bronzi and Jianyuan Zhong},
      year={2021},
      booktitle={ICASSP 2021}
}

@article{subakan2023exploring,
  author={Subakan, Cem and Ravanelli, Mirco and Cornell, Samuele and Grondin, François and Bronzi, Mirko},
  journal={IEEE/ACM Transactions on Audio, Speech, and Language Processing}, 
  title={Exploring Self-Attention Mechanisms for Speech Separation}, 
  year={2023},
  volume={31},
  pages={2169-2180},
}

About SpeechBrain

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели SpeechBrain требуют отдельного рантайма.

Ревизия весов
eb43c5b

0 моделей