Accent Determinator

🚀 ラテンアメリカアクセント判定モデルカード

このモデルは、話者のアクセントに基づいて、ウェーブ形式の音声を、プエルトリコ、コロンビア、ベネズエラ、ペルー、チリのいずれかのアクセントに分類するためのWav2Vec2モデルです。

🚀 クイックスタート

このモデルを使用することで、音声のアクセントを分類することができます。以下のセクションで詳細を説明します。

✨ 主な機能

• 音声をプエルトリコ、コロンビア、ベネズエラ、ペルー、チリのアクセントに分類する。
• 高い精度でアクセントを判定する。

📦 インストール

このREADMEには具体的なインストール手順が記載されていないため、このセクションをスキップします。

💻 使用例

このREADMEには具体的なコード例が記載されていないため、このセクションをスキップします。

📚 ドキュメント

モデルの詳細

モデルの説明

このモデルは、話者のアクセントに基づいて、音声をプエルトリコ、コロンビア、ベネズエラ、ペルー、チリのアクセントに分類するためのWav2Vec2モデルです。

• 開発者: Henry Savich
• 共有者 [任意]: Henry Savich
• モデルの種類: 言語モデル
• 言語 (NLP): es
• ライセンス: openrail
• 親モデル: Wav2Vec2 Base
• 詳細情報のリソース:
  • GitHubリポジトリ

用途

直接的な用途

音声クリップをプエルトリコ、ペルー、ベネズエラ、コロンビア、またはチリのスペイン語に分類する。

想定外の用途

このモデルは、事前に選択された文章を朗読する話者のデータで学習されているため、方言間の語彙の違いに関する知識を反映していません。

バイアス、リスク、制限事項

多くの研究が、言語モデルのバイアスと公平性の問題を探っています（例えば、Sheng et al. (2021) と Bender et al. (2021) を参照）。このモデルによって生成される予測には、保護されたクラス、アイデンティティの特性、および敏感な社会的および職業的グループにまたがる不快で有害なステレオタイプが含まれる可能性があります。

学習の詳細

学習データ

OpenSLR 71,72,73,74,75,76

学習手順

前処理

データは話者単位で学習データとテストデータに分割され、モデルが声をマッチングすることで高いテスト精度を達成するのを防ぎました。

速度、サイズ、時間

約3000個の5秒間の音声クリップで学習され、Google Colaboratory PremiumのGPUを使用すると1時間未満で軽量に学習できます。

評価

テストデータ、要因、指標

テストデータ

OpenSLR 71,72,73,74,75,76 https://huggingface.co/datasets/openslr

要因

音質 - 学習データとテストデータは、通常の音声よりも高品質でした。

指標

精度

結果

ランダムな学習 - テスト分割によって約85％の精度が得られます。

モデルの検証

話者単位で分割しても、このモデルはテストセットで優れた精度を達成します。これは、少なくともこの粒度でのアクセント分類が、学習目的を達成するのと同じくらい容易な声の識別よりも簡単なタスクであることを示しているため、興味深い結果です。

混同行列は、バスク語が最も識別しやすいことを示しています。これは、バスク語が唯一の非スペイン語であるため、予想される結果です。テストセットで最も識別が難しかったのはプエルトリコのアクセントでしたが、これはデータが最も少ないためであり、アクセント自体の問題ではないと思います。

同じサイズのデータセットを使用して同じ実験を行い、より多くの話者がいれば（つまり、個々の声にあまり適合しなければ）、ほぼ完全な精度が期待できると思います。

技術仕様

モデルのアーキテクチャと目的

Wav2Vec2

コンピュートインフラストラクチャ

Google Colaboratory Pro+

ハードウェア

Google Colaboratory Pro+ Premium GPUS

ソフトウェア

huggingfaceを介したPytorch

引用

このREADMEに具体的な引用情報が記載されていないため、このセクションをスキップします。

モデルカードの作成者

Henry Savich

モデルカードの連絡先

henry.h.savich@vanderbilt.edu