/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
hubert · dense

hubert-base-superb-ks

Классификация текстаТекст → label3 профессии

Модель HuBERT Base классифицирует короткие аудиозаписи, распознавая заданные ключевые слова, тишину и неизвестные команды.

1 751скачиваний за 30 дней8лайковвеса обновлены4 ноя 2021

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

superb/hubert-base-superb-ks — перенесённая в Transformers версия модели S3PRL на базе HuBERT для обнаружения ключевых слов в коротких речевых высказываниях. Модель относит аудиозапись к одному из заранее заданных классов: десяти словам из набора Speech Commands, тишине или категории «неизвестное слово». Такой формат подходит для голосового управления и быстрого распознавания команд, в том числе на устройстве.

Модель построена на HuBERT Base, предварительно обученной на речи с частотой дискретизации 16 кГц; для входного аудио требуется та же частота. В карточке указаны архитектура HubertForSequenceClassification и размер 113,3 млн параметров. Для версии Transformers приведена точность 0,9672 на тестовой выборке; результат S3PRL — 0,9630.

Модель предназначена для классификации речи по фиксированному набору слов, а не для распознавания произвольной речи в текст. Карточка не сообщает о других поддерживаемых языках, кроме английского в метаданных. Лицензия — Apache-2.0.

Сценарии применения

  • распознавание голосовых команд из фиксированного словаря
  • обнаружение ключевых слов в коротких речевых фрагментах
  • классификация аудио из набора Speech Commands
  • распознавание тишины и неизвестных слов для фильтрации ложных срабатываний

Ограничения

Распознаёт только фиксированный набор классов, а не произвольную речь; входное аудио должно иметь частоту дискретизации 16 кГц.

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

Hubert-Base for Keyword Spotting

Model description

This is a ported version of S3PRL's Hubert for the SUPERB Keyword Spotting task.

The base model is hubert-base-ls960, which is pretrained on 16kHz sampled speech audio. When using the model make sure that your speech input is also sampled at 16Khz.

For more information refer to SUPERB: Speech processing Universal PERformance Benchmark

Task and dataset description

Keyword Spotting (KS) detects preregistered keywords by classifying utterances into a predefined set of words. The task is usually performed on-device for the fast response time. Thus, accuracy, model size, and inference time are all crucial. SUPERB uses the widely used Speech Commands dataset v1.0 for the task. The dataset consists of ten classes of keywords, a class for silence, and an unknown class to include the false positive.

For the original model's training and evaluation instructions refer to the S3PRL downstream task README.

Usage examples

You can use the model via the Audio Classification pipeline:

from datasets import load_dataset
from transformers import pipeline

dataset = load_dataset("anton-l/superb_demo", "ks", split="test")

classifier = pipeline("audio-classification", model="superb/hubert-base-superb-ks")
labels = classifier(dataset[0]["file"], top_k=5)

Or use the model directly:

import torch
from datasets import load_dataset
from transformers import HubertForSequenceClassification, Wav2Vec2FeatureExtractor
from torchaudio.sox_effects import apply_effects_file

effects = [["channels", "1"], ["rate", "16000"], ["gain", "-3.0"]]
def map_to_array(example):
    speech, _ = apply_effects_file(example["file"], effects)
    example["speech"] = speech.squeeze(0).numpy()
    return example

# load a demo dataset and read audio files
dataset = load_dataset("anton-l/superb_demo", "ks", split="test")
dataset = dataset.map(map_to_array)

model = HubertForSequenceClassification.from_pretrained("superb/hubert-base-superb-ks")
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained("superb/hubert-base-superb-ks")

# compute attention masks and normalize the waveform if needed
inputs = feature_extractor(dataset[:4]["speech"], sampling_rate=16000, padding=True, return_tensors="pt")

logits = model(**inputs).logits
predicted_ids = torch.argmax(logits, dim=-1)
labels = [model.config.id2label[_id] for _id in predicted_ids.tolist()]

Eval results

The evaluation metric is accuracy.

s3prltransformers
test0.96300.9672

BibTeX entry and citation info

@article{yang2021superb,
  title={SUPERB: Speech processing Universal PERformance Benchmark},
  author={Yang, Shu-wen and Chi, Po-Han and Chuang, Yung-Sung and Lai, Cheng-I Jeff and Lakhotia, Kushal and Lin, Yist Y and Liu, Andy T and Shi, Jiatong and Chang, Xuankai and Lin, Guan-Ting and others},
  journal={arXiv preprint arXiv:2105.01051},
  year={2021}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Нельзя запустить

Для архитектуры hubert нет загрузчика под задачу text-classification.

Класс архитектуры
HubertForSequenceClassification
Ревизия весов
d7e0efe

0 моделей