Wav2vec2 Large Robust 6 Ft Age Gender

🚀 Wav2vec 2.0（6層）に基づく年齢と性別認識モデル

このモデルは、生の音声信号を入力として受け取り、年齢（約0...1の範囲で、0...100歳に相当）と性別（子供、女性、男性である確率）の予測結果を出力します。さらに、最後のトランスフォーマー層のプールされた状態も提供します。このモデルは、Wav2Vec2-Large-Robust を aGender、Mozilla Common Voice、Timit、および Voxceleb 2 でファインチューニングすることで作成されました。このバージョンのモデルでは、最初の6つのトランスフォーマー層のみを学習させています。モデルの ONNX エクスポート版は doi:10.5281/zenodo.7761387 から入手できます。詳細については、関連する 論文 と チュートリアル を参照してください。

✨ 主な機能

• 入力として生の音声信号を受け取り、年齢と性別の予測結果を出力します。
• 最後のトランスフォーマー層のプールされた状態も提供します。
• ONNXエクスポート版が利用可能です。

📦 インストール

このモデルを使用するには、必要なライブラリをインストールする必要があります。以下のコマンドを使用して、必要なライブラリをインストールできます。

pip install numpy torch transformers

💻 使用例

基本的な使用法

import numpy as np
import torch
import torch.nn as nn
from transformers import Wav2Vec2Processor
from transformers.models.wav2vec2.modeling_wav2vec2 import (
    Wav2Vec2Model,
    Wav2Vec2PreTrainedModel,
)


class ModelHead(nn.Module):
    r"""Classification head."""

    def __init__(self, config, num_labels):

        super().__init__()

        self.dense = nn.Linear(config.hidden_size, config.hidden_size)
        self.dropout = nn.Dropout(config.final_dropout)
        self.out_proj = nn.Linear(config.hidden_size, num_labels)

    def forward(self, features, **kwargs):

        x = features
        x = self.dropout(x)
        x = self.dense(x)
        x = torch.tanh(x)
        x = self.dropout(x)
        x = self.out_proj(x)

        return x


class AgeGenderModel(Wav2Vec2PreTrainedModel):
    r"""Speech emotion classifier."""

    def __init__(self, config):

        super().__init__(config)

        self.config = config
        self.wav2vec2 = Wav2Vec2Model(config)
        self.age = ModelHead(config, 1)
        self.gender = ModelHead(config, 3)
        self.init_weights()

    def forward(
            self,
            input_values,
    ):

        outputs = self.wav2vec2(input_values)
        hidden_states = outputs[0]
        hidden_states = torch.mean(hidden_states, dim=1)
        logits_age = self.age(hidden_states)
        logits_gender = torch.softmax(self.gender(hidden_states), dim=1)

        return hidden_states, logits_age, logits_gender


# load model from hub
device = 'cpu'
model_name = 'audeering/wav2vec2-large-robust-6-ft-age-gender'
processor = Wav2Vec2Processor.from_pretrained(model_name)
model = AgeGenderModel.from_pretrained(model_name)

# dummy signal
sampling_rate = 16000
signal = np.zeros((1, sampling_rate), dtype=np.float32)


def process_func(
    x: np.ndarray,
    sampling_rate: int,
    embeddings: bool = False,
) -> np.ndarray:
    r"""Predict age and gender or extract embeddings from raw audio signal."""

    # run through processor to normalize signal
    # always returns a batch, so we just get the first entry
    # then we put it on the device
    y = processor(x, sampling_rate=sampling_rate)
    y = y['input_values'][0]
    y = y.reshape(1, -1)
    y = torch.from_numpy(y).to(device)

    # run through model
    with torch.no_grad():
        y = model(y)
        if embeddings:
            y = y[0]
        else:
            y = torch.hstack([y[1], y[2]])

    # convert to numpy
    y = y.detach().cpu().numpy()

    return y


print(process_func(signal, sampling_rate))
#    Age       child      female      male
# [[ 0.3079211  0.00848487 0.0051472  0.9863679 ]]

print(process_func(signal, sampling_rate, embeddings=True))
# Pooled hidden states of last transformer layer
# [[ 0.00409924  0.00365688  0.02392936 ...  0.02349018 -0.13294911
#    0.1538802 ]]

📄 ライセンス

このモデルは CC BY-NC-SA 4.0 ライセンスの下で提供されています。

関連情報