Hubert Large Superb Ks

🚀 キーワード検出用Hubert-Large

このモデルは、キーワード検出タスクに特化したもので、音声入力から特定のキーワードを高速かつ正確に検出することができます。

🚀 クイックスタート

このモデルは、キーワード検出タスクにおいて高い性能を発揮します。ベースモデルは16kHzの音声データで事前学習されているため、入力音声も同じサンプリングレートであることを確認してください。

✨ 主な機能

• 高精度なキーワード検出：音声入力から特定のキーワードを高精度に検出します。
• 高速な推論：デバイス上での実行に適しており、高速な応答時間を実現します。
• 広範なデータセット対応：Speech Commandsデータセットを使用して訓練されており、様々なキーワードに対応しています。

📚 ドキュメント

モデルの説明

このモデルは、S3PRLのSUPERBキーワード検出タスク用Hubert を移植したバージョンです。ベースモデルは hubert-large-ll60k で、16kHzの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

キーワード検出 (KS) は、発話を事前定義された単語のセットに分類することで、登録済みのキーワードを検出するタスクです。このタスクは、高速な応答時間が必要なため、通常はデバイス上で実行されます。そのため、精度、モデルサイズ、推論時間のすべてが重要です。SUPERBは、このタスクに広く使用されている Speech Commandsデータセットv1.0 を使用しています。このデータセットは、10種類のキーワードクラス、無音クラス、および誤検出を含む未知クラスから構成されています。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

from datasets import load_dataset
from transformers import pipeline

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

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

高度な使用法

import torch
from datasets import load_dataset
from transformers import HubertForSequenceClassification, Wav2Vec2FeatureExtractor
from torchaudio.sox_effects import apply_effects_file

effects = [["channels", "1"], ["rate", "16000"], ["gain", "-3.0"]]
def map_to_array(example):
    speech, _ = apply_effects_file(example["file"], effects)
    example["speech"] = speech.squeeze(0).numpy()
    return example

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

model = HubertForSequenceClassification.from_pretrained("superb/hubert-large-superb-ks")
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained("superb/hubert-large-superb-ks")

# 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()]

🔧 技術詳細

評価指標は精度です。

BibTeX引用

@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。