/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
hubert · dense

hubert-base-superb-sid

Классификация текстаТекст → label3 профессии

Портированная модель HuBERT для классификации речевых фрагментов по личности говорящего из фиксированного набора.

357скачиваний за 30 дней1лайквеса 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

Это портированная в Transformers модель S3PRL на базе HuBERT для идентификации говорящего в аудиозаписях. Она классифицирует каждое высказывание по личности говорящего из заранее заданного набора; в задаче SUPERB использовался набор VoxCeleb1. Модель содержит 113,3 млн параметров и принимает речь, записанную с частотой дискретизации 16 кГц.

Модель предназначена для классификации речевых фрагментов по личности говорящего, например, в системах анализа записей или при оценке качества распознавания говорящего. Для модели приведена точность 0,8071 в реализации Transformers и 0,8142 в S3PRL на тесте. Это результаты конкретной постановки SUPERB и набора VoxCeleb1; они не гарантируют качество на других наборах данных и при неизвестном модели наборе говорящих. Лицензия — Apache-2.0.

Сценарии применения

  • идентификация говорящего в короткой аудиозаписи
  • классификация высказываний по известным дикторам
  • оценка системы распознавания говорящего на тестовом наборе
  • анализ записей с заранее заданным набором участников

Ограничения

Входную речь следует подавать с частотой дискретизации 16 кГц. Модель обучена различать говорящих из фиксированного набора, поэтому приведённые результаты на VoxCeleb1 не гарантируют идентификацию новых дикторов или качество на других данных.

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 Speaker Identification

Model description

This is a ported version of S3PRL's Hubert for the SUPERB Speaker Identification 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

Speaker Identification (SI) classifies each utterance for its speaker identity as a multi-class classification, where speakers are in the same predefined set for both training and testing. The widely used VoxCeleb1 dataset is adopted

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", "si", split="test")

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

Or use the model directly:

import torch
import librosa
from datasets import load_dataset
from transformers import HubertForSequenceClassification, Wav2Vec2FeatureExtractor

def map_to_array(example):
    speech, _ = librosa.load(example["file"], sr=16000, mono=True)
    example["speech"] = speech
    return example

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

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

# compute attention masks and normalize the waveform if needed
inputs = feature_extractor(dataset[:2]["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
test0.81420.8071

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
fd0c996

0 моделей