Wav2vec2 Large Superb Ic

🚀 Wav2Vec2-Largeによる意図分類

このモデルは、音声の意図分類を行うためのものです。S3PRLのモデルをポートしたもので、SUPERBの意図分類タスクに特化しています。

🚀 クイックスタート

このモデルは、音声入力から話者の意図を分類するために使用できます。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。使用する際は、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。

✨ 主な機能

• 音声の意図分類を高精度に行うことができます。
• 事前学習されたモデルをベースにしているため、少ないデータでも良好な性能を発揮します。

📦 インストール

このモデルはHugging FaceのTransformersライブラリを使用しています。以下のコマンドで必要なライブラリをインストールできます。

pip install transformers datasets librosa torch

💻 使用例

基本的な使用法

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", "ic", split="test")
dataset = dataset.map(map_to_array)

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

# compute attention masks and normalize the waveform if needed
inputs = feature_extractor(dataset[:4]["speech"], sampling_rate=16000, padding=True, return_tensors="pt")

logits = model(**inputs).logits

action_ids = torch.argmax(logits[:, :6], dim=-1).tolist()
action_labels = [model.config.id2label[_id] for _id in action_ids]

object_ids = torch.argmax(logits[:, 6:20], dim=-1).tolist()
object_labels = [model.config.id2label[_id + 6] for _id in object_ids]

location_ids = torch.argmax(logits[:, 20:24], dim=-1).tolist()
location_labels = [model.config.id2label[_id + 20] for _id in location_ids]

📚 ドキュメント

モデルの説明

このモデルは、S3PRLのWav2Vec2 for the SUPERB Intent Classification taskをポートしたものです。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。使用する際は、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

意図分類（IC）は、発話を事前定義されたクラスに分類して、話者の意図を判断するタスクです。SUPERBはFluent Speech Commandsデータセットを使用しており、各発話にはaction、object、locationの3つの意図ラベルが付けられています。

元のモデルの学習と評価の手順については、S3PRL downstream task READMEを参照してください。

評価結果

評価指標は正解率です。

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ライセンスの下で公開されています。