/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
hubert · dense

hubert-large-superb-er

Классификация текстаТекст → label3 профессии

Модель HuBERT Large классифицирует эмоциональный класс в речевых высказываниях.

3 996скачиваний за 30 дней25лайковвеса 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-large-superb-er — портированная в Transformers версия HuBERT из S3PRL для распознавания эмоций в речи в рамках задачи SUPERB. Модель классифицирует аудиозапись высказывания по эмоциональному классу; обучение и оценка описаны для четырёх сбалансированных классов датасета IEMOCAP с пятикратной кросс-валидацией. Базовая модель hubert-large-ll60k предварительно обучена на речи с частотой дискретизации 16 кГц, поэтому входное аудио также должно иметь частоту 16 кГц.

Архитектура — HuBERT Large с классификационной головой для последовательностей, около 402,7 млн параметров; веса доступны в формате PyTorch. В опубликованном README приведена точность 0,6762 для реализации S3PRL на session1; результат для версии Transformers не указан. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • определение эмоции говорящего по короткой записи речи
  • классификация высказываний по эмоциональным классам
  • анализ эмоциональной окраски речевых данных
  • эксперименты и оценка систем распознавания эмоций в речи

Ограничения

Модель ожидает речь с частотой дискретизации 16 кГц и обучена распознавать четыре эмоциональных класса по протоколу IEMOCAP; README не приводит результат оценки для версии Transformers.

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-Large for Emotion Recognition

Model description

This is a ported version of S3PRL's Hubert for the SUPERB Emotion Recognition task.

The base model is hubert-large-ll60k, 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

Emotion Recognition (ER) predicts an emotion class for each utterance. The most widely used ER dataset IEMOCAP is adopted, and we follow the conventional evaluation protocol: we drop the unbalanced emotion classes to leave the final four classes with a similar amount of data points and cross-validate on five folds of the standard splits.

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", "er", split="session1")

classifier = pipeline("audio-classification", model="superb/hubert-large-superb-er")
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", "er", split="session1")
dataset = dataset.map(map_to_array)

model = HubertForSequenceClassification.from_pretrained("superb/hubert-large-superb-er")
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained("superb/hubert-large-superb-er")

# 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
session10.6762N/A

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
ef1a2eb

0 моделей