/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense

wav2vec2-base-superb-ic

Классификация текстаТекст → label3 профессии

Модель на базе wav2vec2-base классифицирует намерения в англоязычных речевых высказываниях по категориям действия, объекта и места.

340скачиваний за 30 дней0лайковвеса обновлены2 сен 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 перенесённая в Transformers версия модели S3PRL на базе wav2vec2-base, подготовленная для классификации намерений в речи в рамках бенчмарка SUPERB. Модель содержит 113,3 млн параметров и принимает речевое аудио с частотой дискретизации 16 кГц.

Она определяет намерение высказывания по заранее заданным категориям Fluent Speech Commands: действие, объект и место. В оценке SUPERB для исходной версии S3PRL указана точность 0,9235; результат версии Transformers не приведён. Модель предназначена для англоязычной речи. Лицензия — Apache-2.0.

Сценарии применения

  • определение команды, произнесённой вслух
  • классификация намерения в голосовом интерфейсе
  • распознавание запрошенного действия по речевой команде
  • определение объекта и места в голосовом запросе

Ограничения

Речевой вход необходимо подавать с частотой дискретизации 16 кГц; классы намерений ограничены разметкой Fluent Speech Commands. Приведённая точность 0,9235 относится к исходной версии S3PRL, а не к реализации 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

Wav2Vec2-Base for Intent Classification

Model description

This is a ported version of S3PRL's Wav2Vec2 for the SUPERB Intent Classification task.

The base model is wav2vec2-base, 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

Intent Classification (IC) classifies utterances into predefined classes to determine the intent of speakers. SUPERB uses the Fluent Speech Commands dataset, where each utterance is tagged with three intent labels: action, object, and location.

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

Usage examples

You can use the model directly like so:

import torch
import librosa
from datasets import load_dataset
from transformers import Wav2Vec2ForSequenceClassification, 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", "ic", split="test")
dataset = dataset.map(map_to_array)

model = Wav2Vec2ForSequenceClassification.from_pretrained("superb/wav2vec2-base-superb-ic")
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained("superb/wav2vec2-base-superb-ic")

# 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

action_ids = torch.argmax(logits[:, :6], dim=-1).tolist()
action_labels = [model.config.id2label[_id] for _id in action_ids]

object_ids = torch.argmax(logits[:, 6:20], dim=-1).tolist()
object_labels = [model.config.id2label[_id + 6] for _id in object_ids]

location_ids = torch.argmax(logits[:, 20:24], dim=-1).tolist()
location_labels = [model.config.id2label[_id + 20] for _id in location_ids]

Eval results

The evaluation metric is accuracy.

s3prltransformers
test0.9235N/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 wav2vec2 нет загрузчика под задачу text-classification.

Класс архитектуры
Wav2Vec2ForSequenceClassification
Ревизия весов
f80d68b

0 моделей