Wav2vec2 Large Superb Sid

🚀 Wav2Vec2-Large for Speaker Identification

このモデルは、話者識別のためのWav2Vec2-Largeモデルです。S3PRLのモデルをポートしたもので、SUPERBの話者識別タスクに特化しています。

🚀 クイックスタート

このモデルを使用するには、入力音声が16kHzでサンプリングされていることを確認してください。以下に使用例を示します。

✨ 主な機能

• 話者識別タスクに特化したモデルです。
• ベースモデルはwav2vec2-large-lv60で、16kHzの音声データで事前学習されています。

📚 ドキュメント

モデルの説明

これは、S3PRLのSUPERB話者識別タスク用のWav2Vec2 をポートしたバージョンです。

ベースモデルは wav2vec2-large-lv60 で、16kHzでサンプリングされた音声データで事前学習されています。モデルを使用する際には、入力音声も16kHzでサンプリングされていることを確認してください。

詳細については、SUPERB: Speech processing Universal PERformance Benchmark を参照してください。

タスクとデータセットの説明

話者識別（SI）は、各発話の話者を多クラス分類として識別するタスクです。訓練とテストでは同じ事前定義された話者セットが使用されます。広く使用されている VoxCeleb1 データセットが採用されています。

元のモデルの訓練と評価の手順については、S3PRLのダウンストリームタスクREADME を参照してください。

💻 使用例

基本的な使用法

from datasets import load_dataset
from transformers import pipeline

dataset = load_dataset("anton-l/superb_demo", "si", split="test")

classifier = pipeline("audio-classification", model="superb/wav2vec2-large-superb-sid")
labels = classifier(dataset[0]["file"], top_k=5)

高度な使用法

import torch
import librosa
from datasets import load_dataset
from transformers import Wav2Vec2ForSequenceClassification, Wav2Vec2FeatureExtractor

def map_to_array(example):
    speech, _ = librosa.load(example["file"], sr=16000, mono=True)
    example["speech"] = speech
    return example

# load a demo dataset and read audio files
dataset = load_dataset("anton-l/superb_demo", "si", split="test")
dataset = dataset.map(map_to_array)

model = Wav2Vec2ForSequenceClassification.from_pretrained("superb/wav2vec2-large-superb-sid")
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained("superb/wav2vec2-large-superb-sid")

# compute attention masks and normalize the waveform if needed
inputs = feature_extractor(dataset[:2]["speech"], sampling_rate=16000, padding=True, return_tensors="pt")

logits = model(**inputs).logits
predicted_ids = torch.argmax(logits, dim=-1)
labels = [model.config.id2label[_id] for _id in predicted_ids.tolist()]

🔧 技術詳細

評価指標は精度（accuracy）です。

BibTeXエントリと引用情報

@article{yang2021superb,
  title={SUPERB: Speech processing Universal PERformance Benchmark},
  author={Yang, Shu-wen and Chi, Po-Han and Chuang, Yung-Sung and Lai, Cheng-I Jeff and Lakhotia, Kushal and Lin, Yist Y and Liu, Andy T and Shi, Jiatong and Chang, Xuankai and Lin, Guan-Ting and others},
  journal={arXiv preprint arXiv:2105.01051},
  year={2021}
}

📄 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。