Hubert Base Superb Sid

🚀 話者識別用のHubert-Baseモデル

このモデルはHubertに基づく話者識別モデルで、事前学習されたhubert-base-ls960をベースに、16kHzサンプリングの音声オーディオで微調整されており、話者の身元を正確に識別することができます。

🚀 クイックスタート

このモデルは話者識別タスクに使用できます。音声入力を処理して、話者の身元を判断します。使用する際には、音声入力が16kHzサンプリングであることを確認してください。

✨ 主な機能

• モデル移植：これはS3PRLのHubertをSUPERB話者識別タスクに使用した移植版です。
• 基礎モデル：hubert-base-ls960をベースにしており、このモデルは16kHzサンプリングの音声オーディオで事前学習されています。
• タスクとデータセット：話者識別（SI）は、各音声フラグメントをその話者の身元に分類する多クラス分類タスクで、広く使用されているVoxCeleb1データセットを使用しています。

📦 インストール

具体的なインストール手順は記載されていませんが、関連する依存ライブラリのインストール方法を参考に、datasets、transformers、torch、librosaなどのライブラリが正しくインストールされていることを確認してください。

💻 使用例

基本的な使用法

このモデルはオーディオ分類パイプラインを通じて使用できます：

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/hubert-base-superb-sid")
labels = classifier(dataset[0]["file"], top_k=5)

高度な使用法

または、直接このモデルを使用することもできます：

import torch
import librosa
from datasets import load_dataset
from transformers import HubertForSequenceClassification, 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 = HubertForSequenceClassification.from_pretrained("superb/hubert-base-superb-sid")
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained("superb/hubert-base-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()]

📚 ドキュメント

• モデルの説明：このモデルはS3PRLのHubertをSUPERB話者識別タスクに使用した移植版で、基礎モデルはhubert-base-ls960です。使用する際には、音声入力が16kHzサンプリングであることを確認してください。詳細な情報は論文「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）は多クラス分類タスクで、VoxCeleb1データセットを使用しています。元のモデルのトレーニングと評価の説明はS3PRL下流タスクREADMEを参照してください。

🔧 技術詳細

評価指標は正解率です。以下は評価結果です：

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ライセンスを採用しています。