Gender Cls Svm Ecapa Voxceleb

🚀 性別分類モデル

このモデルは、SpeechBrainのECAPA - TDNN話者埋め込みモデルとSVM分類器を組み合わせて、音声入力から話者の性別を予測します。このモデルは、VoxCeleb2、Mozilla Common Voice v10.0、およびTIMITデータセットで訓練および評価されました。

🚀 クイックスタート

このモデルは音声入力から話者の性別を予測するために、SpeechBrainのECAPA - TDNN話者埋め込みモデルとSVM分類器を組み合わせています。以下に、インストール方法と使用例を示します。

✨ 主な機能

• 音声入力から話者の性別を予測します。
• 192次元のECAPA - TDNN埋め込みを使用して話者の特徴を抽出します。
• Optunaで最適化されたSVM分類器を使用して性別を分類します。

📦 インストール

以下のコマンドを使用して、パッケージをGitHubから直接インストールできます。

pip install git+https://github.com/griko/voice-gender-classification.git

💻 使用例

基本的な使用法

from voice_gender_classification import GenderClassificationPipeline

# パイプラインをロード
classifier = GenderClassificationPipeline.from_pretrained(
    "griko/gender_cls_svm_ecapa_voxceleb"
)

# 単一ファイルの予測
result = classifier("path/to/audio.wav")
print(result)  # ["female"] or ["male"]

# バッチ予測
results = classifier(["audio1.wav", "audio2.wav"])
print(results)  # ["female", "male", "female"]

📚 ドキュメント

モデルの詳細

訓練データ

このモデルはVoxCeleb2データセットで訓練されました。

• 訓練セット: 1,691人の話者（845人の女性、846人の男性）
• 検証セット: 785人の話者（396人の女性、389人の男性）
• テストセット: 1,647人の話者（828人の女性、819人の男性）
• セット間で話者の重複はありません。
• 音声前処理:
  • WAV形式、単チャンネル、16kHzサンプリングレート、256 kp/sビットレートに変換。
  • SileroVADを使用して音声アクティビティ検出を行い、最初の有声セグメントを取得。

制限事項

• このモデルはYouTubeインタビューの有名人の声で訓練されています。
• 異なる音質や録音条件では性能が異なる場合があります。
• 2値性別分類のみを目的として設計されています。

📄 ライセンス

このモデルはApache - 2.0ライセンスの下で提供されています。

引用

もしあなたの研究でこのモデルを使用する場合は、以下を引用してください。

@misc{koushnir2025vanpyvoiceanalysisframework,
      title={VANPY: Voice Analysis Framework}, 
      author={Gregory Koushnir and Michael Fire and Galit Fuhrmann Alpert and Dima Kagan},
      year={2025},
      eprint={2502.17579},
      archivePrefix={arXiv},
      primaryClass={cs.SD},
      url={https://arxiv.org/abs/2502.17579}, 
}