Wav2vec Vm Finetune

🚀 wav2vec-vm-finetune

このモデルは、ボイスメール検出用にfacebook/wav2vec2-xls-r-300mをファインチューニングしたバージョンです。通話録音のデータセットを使用して、ボイスメールの挨拶と実際の人の応答を区別するように訓練されています。

🚀 クイックスタート

このモデルは、ボイスメール検出に特化したファインチューニング済みモデルです。通話録音データを用いて訓練され、ボイスメールの挨拶と人の応答を区別することができます。

✨ 主な機能

• AI搭載の通話アシスタントにおける自動ボイスメール検出。
• カスタマーサービスや営業通話自動化におけるボイスメール応答のフィルタリング。

📚 ドキュメント

モデルの説明

このモデルは、大規模な多言語データで訓練された自己教師付き音声モデルであるwav2vec2-xls-r-300mをベースに構築されています。通話の最初の2秒間に対してファインチューニングを行っています。

想定される用途と制限事項

• 想定される用途
  • AI搭載の通話アシスタントにおける自動ボイスメール検出。
  • カスタマーサービスや営業通話自動化におけるボイスメール応答のフィルタリング。
• 制限事項
  • 英語のみで訓練されています。
  • ボイスメールのトラックが孤立しており、発信者の音声が含まれていないことを前提としています。
  • ボイスメールに電話をかけた際の最初の2秒間の音声を対象として設計されています。

訓練と評価データ

このモデルは、通話録音の独自データセットで訓練されており、以下のようにラベル付けされています。

• 実際の人の応答
• ボイスメールの挨拶

データセットには、汎化性能を向上させるために、複数のタイプの多様なボイスメール録音が含まれています。

評価指標

このモデルは、ボイスメール検出において98%の精度を達成しています。

訓練手順

訓練ハイパーパラメータ

訓練中に使用されたハイパーパラメータは以下の通りです。

• learning_rate: 0.0003
• train_batch_size: 16
• eval_batch_size: 8
• seed: 42
• gradient_accumulation_steps: 2
• total_train_batch_size: 32
• optimizer: OptimizerNames.ADAMW_TORCHを使用し、betas=(0.9,0.999)、epsilon=1e-08、optimizer_args=追加のオプティマイザ引数なし
• lr_scheduler_type: linear
• lr_scheduler_warmup_steps: 500
• num_epochs: 10
• mixed_precision_training: Native AMP

フレームワークバージョン

• Transformers 4.48.2
• Pytorch 2.5.1+cu124
• Datasets 1.18.3
• Tokenizers 0.21.0

📄 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。