/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense

wav2vec2-large-superb-er

Классификация текстаТекст → label3 профессии

Портированная Wav2Vec2-модель классифицирует эмоции в речевых репликах, поданных с частотой 16 кГц.

1 017скачиваний за 30 дней4лайкавеса 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 формат Transformers модель Wav2Vec2 для распознавания эмоций в речи, подготовленная для задачи Emotion Recognition бенчмарка SUPERB. Она основана на wav2vec2-large-lv60, предварительно обученной на речевых аудиозаписях с частотой 16 кГц, и содержит около 402,7 млн параметров. Для входа требуется речь, дискретизированная с частотой 16 кГц; модель присваивает каждой реплике эмоциональный класс. В описанной настройке используются четыре сбалансированных класса набора IEMOCAP и стандартная пятифолдовая кросс-валидация.

Модель предназначена для классификации эмоций в произнесённых репликах и экспериментов по оценке систем распознавания речи. В отчёте для исходной реализации S3PRL указана точность 0,6564 на session1; результат для Transformers не приведён. Порт опубликован в формате PyTorch и распространяется по лицензии Apache-2.0.

Сценарии применения

  • определение эмоции в отдельной речевой реплике
  • классификация эмоциональной окраски аудиозаписи разговора
  • оценка моделей распознавания эмоций на IEMOCAP
  • эксперименты с бенчмарком SUPERB Emotion Recognition

Ограничения

Входная речь должна быть дискретизирована с частотой 16 кГц. Описанная задача использует четыре эмоциональных класса IEMOCAP; значение точности для порта Transformers не приведено.

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-Large for Emotion Recognition

Model description

This is a ported version of S3PRL's Wav2Vec2 for the SUPERB Emotion Recognition task.

The base model is wav2vec2-large-lv60, 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/wav2vec2-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 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", "er", split="session1")
dataset = dataset.map(map_to_array)

model = Wav2Vec2ForSequenceClassification.from_pretrained("superb/wav2vec2-large-superb-er")
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained("superb/wav2vec2-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
session10.6564N/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
bd13d8e

0 моделей