Cnn8rnn W2vmean Audiocaps Grounding

🚀 テキスト・オーディオ接地モデル

このモデルは、オーディオクリップと音声イベントを記述するテキストプロンプトを入力として、40msの時間解像度でイベントの確率を予測するテキスト・オーディオ接地モデルです。

🚀 クイックスタート

このモデルは、オーディオクリップと音声イベントを記述するテキストプロンプトを入力として、イベントの確率を40msの時間解像度で予測します。 このモデルはAudioCapsで学習されており、Cnn8Rnnオーディオエンコーダ + 単一埋め込み層テキストエンコーダというシンプルなアーキテクチャを持っています。

💻 使用例

基本的な使用法

import torch
import torchaudio
from transformers import AutoModel


device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = AutoModel.from_pretrained(
    "wsntxxn/cnn8rnn-w2vmean-audiocaps-grounding",
    trust_remote_code=True
).to(device)

wav1, sr1 = torchaudio.load("/path/to/file1.wav")
wav1 = torchaudio.functional.resample(wav1, sr1, model.config.sample_rate)
wav1 = wav1.mean(0) if wav1.size(0) > 1 else wav1[0]

wav2, sr2 = torchaudio.load("/path/to/file2.wav")
wav2 = torchaudio.functional.resample(wav2, sr2, model.config.sample_rate)
wav2 = wav2.mean(0) if wav2.size(0) > 1 else wav2[0]

wav_batch = torch.nn.utils.rnn.pad_sequence([wav1, wav2], batch_first=True).to(device)

text = ["a man speaks", "a dog is barking"]

with torch.no_grad():
    output = model(
        audio=wav_batch,
        audio_len=[wav1.size(0), wav2.size(0)],
        text=text
    )
    # output: (2, n_seconds * 25)

📄 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

@article{xu2024towards,
    title={Towards Weakly Supervised Text-to-Audio Grounding},
    author={Xu, Xuenan and Ma, Ziyang and Wu, Mengyue and Yu, Kai},
    journal={arXiv preprint arXiv:2401.02584},
    year={2024}
}