Wav2vec2 Large Superb Er

🚀 Wav2Vec2-Large for Emotion Recognition

このモデルは、感情認識のためのWav2Vec2-Largeモデルです。音声データから感情クラスを予測することができ、SUPERBベンチマークの感情認識タスクに対応しています。

✨ 主な機能

• 音声データから感情クラスを予測する機能を持ちます。
• ベースモデルとしてwav2vec2-large-lv60を使用しており、16kHzの音声データで事前学習されています。
• 感情認識タスクでは、IEMOCAPデータセットを用いて評価されています。

📚 ドキュメント

モデルの説明

これは、S3PRLのSUPERB感情認識タスク用のWav2Vec2の移植バージョンです。

ベースモデルはwav2vec2-large-lv60で、16kHzでサンプリングされた音声オーディオで事前学習されています。モデルを使用する際には、音声入力も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

感情認識（ER）は、各発話に対して感情クラスを予測します。最も広く使用されているERデータセットであるIEMOCAPを採用しており、従来の評価プロトコルに従っています。不均衡な感情クラスを削除し、最終的にデータポイントの数が類似した4つのクラスに絞り、標準的な分割の5つのフォールドで交差検証を行います。

元のモデルのトレーニングと評価の手順については、S3PRLの下流タスクREADMEを参照してください。

💻 使用例

基本的な使用法

モデルは、音声分類パイプラインを介して使用することができます。

from datasets import load_dataset
from transformers import pipeline

dataset = load_dataset("anton-l/superb_demo", "er", split="session1")

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

高度な使用法

モデルを直接使用することもできます。

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", "er", split="session1")
dataset = dataset.map(map_to_array)

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

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

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ライセンスの下で提供されています。