Cnn8rnn Audioset Sed

🚀 CRNN音声イベント検出モデル

このモデルは音声分類を行うためのCRNN音声イベント検出モデルです。AudioSetで事前学習され、AudioSet-strongでファインチューニングされています。

🚀 クイックスタート

このモデルは、音声分類を行うためのCRNN音声イベント検出モデルです。事前学習にはAudioSetを、ファインチューニングにはAudioSet-strongを使用しています。

📦 インストール

このモデルを使用するには、transformersとtorchaudioが必要です。以下のコマンドでインストールできます。

pip install transformers torchaudio

💻 使用例

基本的な使用法

import torch
from transformers import AutoModel
import torchaudio

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = AutoModel.from_pretrained(
    "wsntxxn/cnn8rnn-audioset-sed",
    trust_remote_code=True
).to(device)

wav1, sr1 = torchaudio.load("/path/to/file1.wav")
wav1 = torchaudio.functional.resample(wav1, sr1, model.config.sample_rate)
wav1 = wav1.mean(0) if wav1.size(0) > 1 else wav1[0]

wav2, sr2 = torchaudio.load("/path/to/file2.wav")
wav2 = torchaudio.functional.resample(wav2, sr2, model.config.sample_rate)
wav2 = wav2.mean(0) if wav2.size(0) > 1 else wav2[0]

wav_batch = torch.nn.utils.rnn.pad_sequence([wav1, wav2], batch_first=True)

with torch.no_grad():
    output = model(waveform=wav_batch)
    # output: {
    #     "framewise_output": (2, 447, n_frames),
    #     "clipwise_output": (2, 447)
    # }

# classes is in `model.classes`
# for example, the probability sequence of male speech is:
male_speech_prob = output[:, model.classes.index("Male speech, man speaking"), :]

🔧 技術詳細

このモデルは8つの畳み込み層とGRUを含み、時間分解能は40msで、合計約640万個のパラメータを持っています。

📄 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。

📚 ドキュメント