Wav2vec2 Xls R 300m Emotion Ru

🚀 音声感情認識

このモデルは、音声感情認識（SER）タスク用に facebook/wav2vec2-xls-r-300m をファインチューニングしたバージョンです。

元の事前学習モデルをファインチューニングするために使用されたデータセットは DUSHAデータセット です。このデータセットは、仮想アシスタントとの対話で通常出現する4つの基本的な感情（幸福（ポジティブ）、悲しみ、怒り、中立）を含む約125,000のロシア語の音声録音で構成されています。

emotions = ['neutral', 'positive', 'angry', 'sad', 'other']

🚀 クイックスタート

💻 使用例

基本的な使用法

from transformers.pipelines import pipeline

pipe = pipeline(model="KELONMYOSA/wav2vec2-xls-r-300m-emotion-ru", trust_remote_code=True)

# The pipeline input can be a file, path or link
result = pipe("speech.wav")
print(result)

[{'label': 'neutral', 'score': 0.00318}, {'label': 'positive', 'score': 0.00376}, {'label': 'sad', 'score': 0.00145}, {'label': 'angry', 'score': 0.98984}, {'label': 'other', 'score': 0.00176}]

高度な使用法

import librosa
import torch
import torch.nn.functional as F
from transformers import AutoConfig, Wav2Vec2Processor, AutoModelForAudioClassification

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model_name_or_path = "KELONMYOSA/wav2vec2-xls-r-300m-emotion-ru"
config = AutoConfig.from_pretrained(model_name_or_path)
processor = Wav2Vec2Processor.from_pretrained(model_name_or_path)
sampling_rate = processor.feature_extractor.sampling_rate
model = AutoModelForAudioClassification.from_pretrained(model_name_or_path, trust_remote_code=True).to(device)


def predict(path):
    speech, sr = librosa.load(path, sr=sampling_rate)
    features = processor(speech, sampling_rate=sampling_rate, return_tensors="pt", padding=True)

    input_values = features.input_values.to(device)
    attention_mask = features.attention_mask.to(device)

    with torch.no_grad():
        logits = model(input_values, attention_mask=attention_mask).logits

    scores = F.softmax(logits, dim=1).detach().cpu().numpy()[0]
    outputs = [{"label": config.id2label[i], "score": round(score, 5)} for i, score in
               enumerate(scores)]
    return outputs


print(predict("speech.wav"))

[{'label': 'neutral', 'score': 0.00318}, {'label': 'positive', 'score': 0.00376}, {'label': 'sad', 'score': 0.00145}, {'label': 'angry', 'score': 0.98984}, {'label': 'other', 'score': 0.00176}]

📚 ドキュメント

評価

このモデルは以下の結果を達成しています。

• 訓練損失: 0.528700
• 検証損失: 0.349617
• 正解率: 0.901369

📄 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。